面向互联网新闻的文本聚类算法研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究目的和意义 | 第14-16页 |
| 1.3 国内外研究现状 | 第16-17页 |
| 1.4 本文主要工作及创新点 | 第17-18页 |
| 1.5 本文结构安排 | 第18-19页 |
| 第二章 文本聚类概述 | 第19-27页 |
| 2.1 文本聚类概念 | 第19页 |
| 2.2 文本聚类流程简介 | 第19-20页 |
| 2.3 文本聚类关键技术 | 第20-26页 |
| 2.3.1 文本特征提取 | 第20-21页 |
| 2.3.2 文本表示 | 第21-22页 |
| 2.3.3 文本聚类算法介绍 | 第22-24页 |
| 2.3.4 文本聚类评估方法 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 互联网新闻文本获取与预处理 | 第27-39页 |
| 3.1 网页采集 | 第27-29页 |
| 3.2 互联网新闻文本预处理 | 第29-37页 |
| 3.2.1 WEB信息抽取 | 第29页 |
| 3.2.2 中文分词 | 第29-30页 |
| 3.2.3 词频统计与TF-IDF文本特征提取 | 第30-32页 |
| 3.2.4 基于向量空间模型的文本表示 | 第32-33页 |
| 3.2.5 文本距离计算 | 第33-34页 |
| 3.2.6 余弦距离稀疏化计算 | 第34-37页 |
| 3.3 本章小结 | 第37-39页 |
| 第四章 AHK-P聚类算法设计 | 第39-51页 |
| 4.1 传统H-K方法实现过程与不足 | 第39-41页 |
| 4.2 AHK-P算法设计思路 | 第41-49页 |
| 4.2.1 基于先验知识粗划分文本数据集 | 第42-44页 |
| 4.2.2 优化初始质心提取过程 | 第44-48页 |
| 4.2.3 基于先验知识细划分文本数据集 | 第48-49页 |
| 4.3 AHK-P具体算法设计 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 新闻文本聚类算法实现与实验验证 | 第51-67页 |
| 5.1 工作平台与实验数据 | 第51-53页 |
| 5.1.1 工作平台 | 第51页 |
| 5.1.2 实验数据 | 第51-53页 |
| 5.2 新闻文本聚类算法实现 | 第53-60页 |
| 5.2.1 文本数据预处理 | 第53-57页 |
| 5.2.2 AHK-P算法实现 | 第57-60页 |
| 5.3 实验评价方法 | 第60-61页 |
| 5.4 实验设计与结果分析 | 第61-65页 |
| 5.4.1 初始质心提取对比实验 | 第61-63页 |
| 5.4.2 AHK-P算法有效性验证实验 | 第63-65页 |
| 5.5 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |
