| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 搜索结果表示方法的研究现状 | 第12-14页 |
| 1.2.2 K-means初始聚类中心的研究现状 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第2章 基于位图的文本表示方法研究 | 第17-35页 |
| 2.1 向量空间模型及其存在的问题 | 第17-19页 |
| 2.1.1 向量空间模型思想 | 第17-18页 |
| 2.1.2 向量空间模型存在的问题 | 第18-19页 |
| 2.2 基于位图的文本表示方法 | 第19-25页 |
| 2.2.1 位图文本表示方法的提出 | 第19页 |
| 2.2.2 基于位图的文本特征表示 | 第19-23页 |
| 2.2.3 基于位图的文本相似度计算 | 第23-25页 |
| 2.3 实验结果与分析 | 第25-33页 |
| 2.3.1 实验环境 | 第25页 |
| 2.3.2 实验数据集和评价指标 | 第25-26页 |
| 2.3.3 实验设置 | 第26-28页 |
| 2.3.4 实验1不同的实验参数对K-means算法聚类效果的影响 | 第28-30页 |
| 2.3.5 实验2不同文本表示方法的聚类效果对比实验 | 第30-31页 |
| 2.3.6 实验3不同文本表示方法的聚类耗时对比实验 | 第31-33页 |
| 2.3.7 实验4不同文本表示方法占用的存储空间对比 | 第33页 |
| 2.4 本章小结 | 第33-35页 |
| 第3章 基于悲观准则和近邻算法的初始聚类中心选择算法 | 第35-52页 |
| 3.1 K-means算法存在的问题 | 第35-36页 |
| 3.2 PC算法 | 第36-40页 |
| 3.2.1 悲观准则 | 第36-37页 |
| 3.2.2 PC算法的提出 | 第37-38页 |
| 3.2.3 PC算法满足初始聚类中心第一准则证明 | 第38-40页 |
| 3.2.4 PC算法过程 | 第40页 |
| 3.3 PC-KNN初始聚类中心选择算法 | 第40-43页 |
| 3.3.1 PC-KNN算法的提出 | 第40-41页 |
| 3.3.2 PC-KNN算法同时满足初始聚类中心两个准则证明 | 第41-42页 |
| 3.3.3 PC-KNN算法过程 | 第42-43页 |
| 3.4 实验结果与分析 | 第43-51页 |
| 3.4.1 实验环境 | 第43页 |
| 3.4.2 实验数据集和评价指标 | 第43-44页 |
| 3.4.3 实验设置 | 第44页 |
| 3.4.4 实验1近邻数k对PC-KNN算法的影响 | 第44-46页 |
| 3.4.5 实验2不同初始聚类中心选择算法的聚类效果对比 | 第46-49页 |
| 3.4.6 实验3不同初始聚类中心选择算法的聚类收敛速率对比 | 第49-50页 |
| 3.4.7 实验4不同初始聚类中心选择算法在公开数据集上的聚类效果 | 第50-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 聚类搜索引擎原型系统的设计与实现 | 第52-65页 |
| 4.1 原型系统构建的目的与意义 | 第52页 |
| 4.2 原型系统的设计 | 第52-55页 |
| 4.2.1 系统的框架设计 | 第52-53页 |
| 4.2.2 系统的功能模块设计 | 第53-55页 |
| 4.3 原型系统的实现 | 第55-60页 |
| 4.3.1 系统开发环境 | 第55页 |
| 4.3.2 数据采集模块实现 | 第55-57页 |
| 4.3.3 数据预处理模块实现 | 第57-58页 |
| 4.3.4 特征表示模块实现 | 第58-60页 |
| 4.3.5 聚类模块实现 | 第60页 |
| 4.4 原型系统的运行效果及对比 | 第60-64页 |
| 4.4.1 后端运行效果 | 第61-62页 |
| 4.4.2 前端运行效果及对比 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 工作总结 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间获得与学位论文相关的科研成果目录 | 第72页 |
