| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容和目的 | 第13-14页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 研究目的 | 第14页 |
| 1.4 论文组织结构和内容 | 第14-16页 |
| 2 文本挖掘的相关基础概念 | 第16-27页 |
| 2.1 文本挖掘 | 第16页 |
| 2.2 文本预处理 | 第16-18页 |
| 2.2.1 分词技术 | 第16-17页 |
| 2.2.2 去停用词 | 第17-18页 |
| 2.3 文本特征选择方法 | 第18-21页 |
| 2.4 文本表示方法 | 第21-23页 |
| 2.5 相似度量方法 | 第23-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 常用的聚类方法 | 第27-31页 |
| 3.1 基于划分的聚类方法 | 第27-28页 |
| 3.2 基于分层的聚类方法 | 第28页 |
| 3.3 基于密度的聚类方法 | 第28-29页 |
| 3.4 基于网格的聚类方法 | 第29页 |
| 3.5 基于模型的聚类方法 | 第29-30页 |
| 3.6 本章小结 | 第30-31页 |
| 4 基于输入参数确定的DBSCAN的文本聚类算法 | 第31-45页 |
| 4.1 问题描述 | 第31页 |
| 4.2 DBSCAN算法介绍 | 第31-33页 |
| 4.3 D-DBSCAN算法介绍 | 第33-39页 |
| 4.3.1 特征空间选取 | 第33-35页 |
| 4.3.2 确定扫描半径R | 第35-37页 |
| 4.3.3 确定聚类最少对象数M | 第37页 |
| 4.3.4 算法流程以及细节 | 第37-39页 |
| 4.4 实验过程与结果分析 | 第39-44页 |
| 4.4.1 实验设置 | 第39-40页 |
| 4.4.2 评判标准 | 第40-41页 |
| 4.4.3 实验结果分析 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 5 基于K-均值策略优化的DBSCAN的文本聚类算法 | 第45-58页 |
| 5.1 问题描述 | 第45页 |
| 5.2 K-均值算法介绍 | 第45-46页 |
| 5.3 KS-DBSCAN算法介绍 | 第46-54页 |
| 5.3.1 确定K-均值的初始中心 | 第46-48页 |
| 5.3.2 确定对象扫描半径R | 第48-50页 |
| 5.3.3 DBSCAN类簇合并方法 | 第50-51页 |
| 5.3.4 算法流程及细节 | 第51-54页 |
| 5.4 实验过程与结果分析 | 第54-57页 |
| 5.4.1 实验设置 | 第54页 |
| 5.4.2 评判标准 | 第54页 |
| 5.4.3 实验结果分析 | 第54-57页 |
| 5.5 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |