基于中心点选取与深度表示学习的文本聚类研究
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究现状 | 第15-18页 |
| 1.3 研究内容 | 第18-19页 |
| 1.4 组织结构 | 第19-20页 |
| 第二章 背景知识 | 第20-28页 |
| 2.1 面向文本的聚类算法 | 第20-22页 |
| 2.1.1 相似性度量 | 第20-21页 |
| 2.1.2 超球K-means聚类算法 | 第21页 |
| 2.1.3 MCSKM算法 | 第21-22页 |
| 2.2 文本结构化表示 | 第22-27页 |
| 2.2.1 向量空间模型 | 第23页 |
| 2.2.2 基于卷积神经网络的文本表示 | 第23-24页 |
| 2.2.3 基于循环神经网络的文本表示 | 第24-27页 |
| 2.2.4 模型对比 | 第27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于余弦距离选取初始簇中心的文本聚类研究 | 第28-38页 |
| 3.1 问题引述 | 第28页 |
| 3.2 欧氏距离、余弦相似度与余弦距离 | 第28-31页 |
| 3.3 中心点计算 | 第31-32页 |
| 3.4 MCSKM++ | 第32-34页 |
| 3.5 实验设计与结果 | 第34-37页 |
| 3.5.1 实验数据集 | 第34-35页 |
| 3.5.2 软硬件平台 | 第35页 |
| 3.5.3 评价指标 | 第35页 |
| 3.5.4 实验设计及结果分析 | 第35-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 基于深度表示学习的文本聚类算法研究 | 第38-56页 |
| 4.1 问题分析 | 第38-39页 |
| 4.1.1 问题引述 | 第38页 |
| 4.1.2 相关研究及存在不足 | 第38-39页 |
| 4.1.3 解决方案 | 第39页 |
| 4.2 基于深度表示学习的文本聚类算法 | 第39-47页 |
| 4.2.1 源域带标签数据的深度学习分类模型训练 | 第40-42页 |
| 4.2.2 加入域判别器解决域适应 | 第42-45页 |
| 4.2.3 聚类迭代过程中不断优化模型参数 | 第45-47页 |
| 4.3 实验分析 | 第47-54页 |
| 4.3.1 实验数据集 | 第47-49页 |
| 4.3.2 实验环境及超参数设置 | 第49-50页 |
| 4.3.3 评估指标 | 第50-51页 |
| 4.3.4 实验设计与结果分析 | 第51-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 总结 | 第56-58页 |
| 5.1 本文工作总结 | 第56页 |
| 5.2 研究展望 | 第56-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 硕士期间主要工作 | 第66页 |
