基于知识粒度的Web文档聚类研究
| 摘要 | 第5-7页 |
| Abstract | 第7页 |
| 第1章 前言 | 第9-17页 |
| 1.1 Web 挖掘概述 | 第9-14页 |
| 1.1.1 Web 挖掘的定义 | 第9-10页 |
| 1.1.2 Web 挖掘的分类 | 第10-12页 |
| 1.1.3 Web 挖掘的研究现状 | 第12-14页 |
| 1.2 Web 文档聚类分析的研究现状 | 第14-15页 |
| 1.3 本论文的主要研究内容 | 第15-17页 |
| 第2章 传统文本表示模型与常用文本聚类算法 | 第17-24页 |
| 2.1 传统的文本表示模型 | 第17-20页 |
| 2.1.1 布尔模型 | 第17-18页 |
| 2.1.2 概率模型 | 第18-19页 |
| 2.1.3 向量空间模型 | 第19-20页 |
| 2.2 常用的文本聚类算法 | 第20-24页 |
| 2.2.1 层次聚类法 | 第20-21页 |
| 2.2.2 平面划分法 | 第21-22页 |
| 2.2.3 简单贝叶斯法 | 第22-23页 |
| 2.2.4 神经网络聚类方法 | 第23-24页 |
| 第3章 知识粒度原理及其应用 | 第24-29页 |
| 3.1 引言 | 第24-25页 |
| 3.2 知识粒度基本原理 | 第25页 |
| 3.3 知识粒度的计算 | 第25-26页 |
| 3.4 知识粒度的应用现状与启示 | 第26-27页 |
| 3.5 基于知识粒度的Web 文档表示机制 | 第27-29页 |
| 第4章 多级粒度的 Web 文档表示机制 | 第29-33页 |
| 4.1 思想来源 | 第29-31页 |
| 4.1.1 思想来源之一 | 第29-30页 |
| 4.1.2 思想来源之二 | 第30-31页 |
| 4.2 数据模型 | 第31-33页 |
| 4.2.1 数据粒度分层 | 第31-32页 |
| 4.2.2 各级粒度逻辑表示 | 第32-33页 |
| 第5章 基于粗集的段落表示模型 | 第33-41页 |
| 5.1 引言 | 第33-35页 |
| 5.3 两种扩展粗集模型 | 第35-36页 |
| 5.3.1 可变精度粗集模型 | 第35页 |
| 5.3.2 容差粗集模型 | 第35-36页 |
| 5.4 扩展的向量空间模型 | 第36-41页 |
| 5.4.1 特征词容差空间 | 第36-37页 |
| 5.4.2 扩展的加权体系 | 第37-41页 |
| 第6章 基于知识粒度的 Web 文档聚类算法 | 第41-52页 |
| 6.1 引言 | 第41页 |
| 6.2 算法设计 | 第41-49页 |
| 6.2.1 数据预处理 | 第42-43页 |
| 6.2.2 段落聚类 | 第43-47页 |
| 6.2.3 文档分类 | 第47-49页 |
| 6.2 算法实现 | 第49-52页 |
| 第7章 实验与评价 | 第52-57页 |
| 7.1 数据集的准备 | 第52页 |
| 7.2 聚类结果精度分析 | 第52-55页 |
| 7.2.1 评价方法 | 第52-53页 |
| 7.2.2 结果分析 | 第53-55页 |
| 7.3 算法可扩展性 | 第55页 |
| 7.4 聚类可解释性 | 第55-57页 |
| 第8章 结论与展望 | 第57-59页 |
| 8.1 全文总结 | 第57页 |
| 8.2 进一步的工作 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 作者在攻读硕士学位期间发表与待发表的学术论文 | 第63页 |
