| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 问题提出 | 第13-14页 |
| 1.4 研究目的及意义 | 第14-15页 |
| 1.4.1 研究目的 | 第14页 |
| 1.4.2 研究意义 | 第14-15页 |
| 1.5 组织结构 | 第15-17页 |
| 第2章 相关文献综述 | 第17-28页 |
| 2.1 标签相似度 | 第17-19页 |
| 2.1.1 标签相似度计算方法 | 第17-18页 |
| 2.1.2 现有标签相似度优缺点分析 | 第18-19页 |
| 2.2 聚类算法 | 第19-23页 |
| 2.2.1 传统聚类算法 | 第19-20页 |
| 2.2.2 K-means聚类算法 | 第20-22页 |
| 2.2.3 DBSCAN聚类算法 | 第22-23页 |
| 2.3 标签聚类算法 | 第23-27页 |
| 2.3.1 标签聚类算法的基本流程 | 第23-24页 |
| 2.3.2 标签聚类算法存在的不足 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 多因子标签相似度 | 第28-36页 |
| 3.1 思想及背景 | 第28-31页 |
| 3.1.1 基于标签共现的标签相似度计算方法 | 第29页 |
| 3.1.2 基于特征向量的标签相似度计算方法 | 第29-30页 |
| 3.1.3 基于标签重要度的标签相似度计算方法 | 第30-31页 |
| 3.2 多因子标签相似度的计算方法 | 第31-34页 |
| 3.2.1 构建标注矩阵 | 第31-32页 |
| 3.2.2 构建共同频度矩阵 | 第32页 |
| 3.2.3 构建标签重要度矩阵 | 第32-33页 |
| 3.2.4 构建标签相似度矩阵 | 第33-34页 |
| 3.3 计算方法描述 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 多因子标签聚类 | 第36-44页 |
| 4.1 聚类算法 | 第36-41页 |
| 4.1.1 融入密度和距离优选初始簇中心的K-means算法思想及背景 | 第36-37页 |
| 4.1.2 融入密度和距离优选初始簇中心的K-means算法 | 第37-40页 |
| 4.1.3 优选初始簇中心的K-means算法方法描述 | 第40-41页 |
| 4.2 多因子标签聚类算法 | 第41-43页 |
| 4.2.1 算法思想 | 第41-42页 |
| 4.2.2 算法描述 | 第42-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第5章 实验分析 | 第44-52页 |
| 5.1 实验准备 | 第44-45页 |
| 5.1.1 实验数据集 | 第44-45页 |
| 5.1.2 实验环境配置 | 第45页 |
| 5.1.3 评价指标 | 第45页 |
| 5.2 实验结果与分析 | 第45-51页 |
| 5.2.1 实验 | 第45-50页 |
| 5.2.2 结果分析 | 第50-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 未来工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间发表的学术论文以及参加科研情况 | 第58-59页 |
