| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 图表清单 | 第8-10页 |
| 第一章 绪论 | 第10-18页 |
| ·选题背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·文本挖掘研究现状 | 第11-13页 |
| ·文本聚类研究现状 | 第13-15页 |
| ·本文的技术路线 | 第15-16页 |
| ·本文的研究内容及结构安排 | 第16-18页 |
| 第二章 文本聚类相关基础理论 | 第18-29页 |
| ·文本挖掘 | 第18-20页 |
| ·文本挖掘定义 | 第18-19页 |
| ·文本挖掘过程 | 第19页 |
| ·文本挖掘的应用 | 第19-20页 |
| ·文本聚类关键技术 | 第20-26页 |
| ·文本聚类的定义及聚类流程 | 第20-21页 |
| ·分词 | 第21-22页 |
| ·停用词处理 | 第22-23页 |
| ·特征选取 | 第23-24页 |
| ·文本向量表示 | 第24页 |
| ·常用的文本聚类算法 | 第24-26页 |
| ·本体 | 第26-28页 |
| ·本体的定义及构成 | 第26-27页 |
| ·本体的应用 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 面向国防新闻文本挖掘的SOM 聚类算法改进研究 | 第29-50页 |
| ·国防新闻文本挖掘现状及背景介绍 | 第29-30页 |
| ·国防新闻本体 | 第30-33页 |
| ·自组织映射神经网络SOM 聚类算法 | 第33-39页 |
| ·SOM 聚类算法的工作原理 | 第33-35页 |
| ·SOM 聚类算法实现的基本流程 | 第35-37页 |
| ·SOM 聚类算法的优点及存在的不足 | 第37-39页 |
| ·基于领域本体的文本向量表示模型改进 | 第39-44页 |
| ·传统的文本向量表示 | 第39-40页 |
| ·基于国防新闻本体的文本主题概念向量表示 | 第40-44页 |
| ·基于部分失真方法的SOM 聚类算法改进 | 第44-49页 |
| ·传统的寻找获胜神经元方法——全失真方法 | 第44页 |
| ·基于部分失真方法的SOM 聚类算法 | 第44-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 SOM 聚类算法的改进方案在国防新闻文本挖掘中的实验验证 | 第50-63页 |
| ·系统总体结构设计 | 第50-51页 |
| ·功能模块 | 第51-54页 |
| ·文本预处理模块 | 第51-53页 |
| ·聚类分析模块 | 第53-54页 |
| ·实验结果分析与比较 | 第54-62页 |
| ·文本聚类判断标准 | 第54-55页 |
| ·实验语料简介 | 第55-56页 |
| ·文本聚类结果分析比较 | 第56-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| ·总结 | 第63-64页 |
| ·展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间公开发表的学术论文 | 第71页 |