| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 文本挖掘简介 | 第10页 |
| 1.2 文本挖掘中存在的问题 | 第10-12页 |
| 1.2.1 挖掘场景的分布式 | 第10-11页 |
| 1.2.2 文本的特征学习 | 第11-12页 |
| 1.3 本文主要研究工作与贡献 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 相关研究基础综述 | 第14-26页 |
| 2.1 数据挖掘常用技术 | 第14-17页 |
| 2.1.1 分类技术 | 第14-15页 |
| 2.1.2 聚类技术 | 第15-16页 |
| 2.1.3 关联规则挖掘、回归分析和时间序列分析技术 | 第16-17页 |
| 2.2 分布式场景下文本挖掘算法的通用架构 | 第17-18页 |
| 2.3 文本数据的特征向量表示 | 第18-20页 |
| 2.3.1 基于词袋模型的文本特征向量表示模型 | 第18-19页 |
| 2.3.2 基于话题模型的文本特征向量表示模型 | 第19-20页 |
| 2.4 特征学习与神经网络技术 | 第20-25页 |
| 2.4.1 基本的特征学习算法 | 第20-21页 |
| 2.4.2 人工神经网络进行特征学习 | 第21-23页 |
| 2.4.3 最新的特征学习方法——深度学习 | 第23-24页 |
| 2.4.4 基于深度学习的词语特征学习 | 第24-25页 |
| 2.5 本章总结 | 第25-26页 |
| 第三章 基于混合分布概率主成分分析的分布式子空间聚类算法研究 | 第26-42页 |
| 3.1 本章研究的问题——分布式子空间聚类 | 第26页 |
| 3.2 相关研究——基于混合分布概率主成分分析的子空间聚类 | 第26-29页 |
| 3.2.1 主成分分析 | 第26-28页 |
| 3.2.2 概率主成分分析 | 第28页 |
| 3.2.3 混合分布概率主成分分析 | 第28-29页 |
| 3.3 基于分布式最大期望算法的混合分布概率主成分分析 | 第29-36页 |
| 3.3.1 分布式最大期望算法 | 第30-31页 |
| 3.3.2 分布式混合分布概率主成分分析 | 第31页 |
| 3.3.3 最大期望算法的“加法”变形 | 第31-35页 |
| 3.3.4 基于分布式混合分布概率主成分分析的分布式子空间聚类 | 第35-36页 |
| 3.4 实验仿真 | 第36-41页 |
| 3.4.1 验证求和变形算法和分布式最大期望算法 | 第36-38页 |
| 3.4.2 真实数据集上的仿真分析 | 第38-41页 |
| 3.5 本章总结 | 第41-42页 |
| 第四章 支持语义检索的语义DHT网络构建方法研究 | 第42-51页 |
| 4.1 本章研究的问题——如何使DHT网络支持语义检索 | 第42页 |
| 4.2 结构化P2P网络与DHT | 第42-44页 |
| 4.2.1 结构化P2P与DHT | 第42-43页 |
| 4.2.2 传统DHT网络哈希索引的构建方法 | 第43页 |
| 4.2.3 传统DHT网络哈希索引的缺点 | 第43-44页 |
| 4.3 语义DHT网络 | 第44-48页 |
| 4.3.1 基于SSH的语义DHT网络 | 第44页 |
| 4.3.2 语义相似度度量 | 第44-45页 |
| 4.3.3 标准α稳定分布 | 第45页 |
| 4.3.4 内积哈希函数分配RID | 第45-46页 |
| 4.3.5 内积哈希函数分配RID分辨率分析 | 第46页 |
| 4.3.6 资源标识符RID的存储 | 第46-47页 |
| 4.3.7 资源检索算法 | 第47-48页 |
| 4.4 实验仿真 | 第48-50页 |
| 4.5 本章总结 | 第50-51页 |
| 第五章 基于神经网络的文本特征学习算法研究 | 第51-66页 |
| 5.1 本章研究的问题——通过神经网络学习本文特征 | 第51页 |
| 5.2 相关研究工作 | 第51-53页 |
| 5.2.1 词语特征的学习模型 | 第51-53页 |
| 5.2.2 基本的语义合成方法 | 第53页 |
| 5.3 基于开放式递归自编码神经网络的句子表示模型 | 第53-61页 |
| 5.3.1 自编码神经网络 | 第53-55页 |
| 5.3.2 基于开放式递归自编码神经网络与动态平均池化的句子表示模型 | 第55-57页 |
| 5.3.3 用uRAE神经网络表示句子 | 第57页 |
| 5.3.4 神经网络结构的学习 | 第57-58页 |
| 5.3.5 uRAE神经网络参数的学习 | 第58-59页 |
| 5.3.6 神经网络参数学习流程 | 第59页 |
| 5.3.7 结构神经网络的方向传播算法 | 第59-60页 |
| 5.3.8 动态平均池化提高文本表示模型 | 第60-61页 |
| 5.4 实验仿真 | 第61-65页 |
| 5.4.1 实验基本设定 | 第61-63页 |
| 5.4.2 模型表示句子的效果 | 第63-64页 |
| 5.4.3 向量间欧氏距离向量提高分类准确度 | 第64-65页 |
| 5.5 本章总结 | 第65-66页 |
| 第六章 分布式文本检索演示系统的设计与实现 | 第66-76页 |
| 6.1 系统需求分析与架构设计 | 第66-68页 |
| 6.1.1 系统需求与功能设计 | 第66页 |
| 6.1.2 系统架构设计 | 第66-68页 |
| 6.2 数据获取系统 | 第68页 |
| 6.3 信息检索 | 第68-74页 |
| 6.3.1 索引构建流程 | 第68-69页 |
| 6.3.2 支持句子检索的检索流程 | 第69-71页 |
| 6.3.3 检索系统模块详情 | 第71-74页 |
| 6.4 离线特征提取与使用 | 第74页 |
| 6.5 系统展示 | 第74-75页 |
| 6.6 本章总结 | 第75-76页 |
| 第七章 总结与展望 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 附录1 论文使用缩写说明 | 第84-85页 |
| 致谢 | 第85-86页 |
| 攻读学位期间发表或已录用的学术论文 | 第86页 |
