降维多核K-Means算法在文本聚类中的研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·引言 | 第11页 |
| ·国内外研究现状 | 第11-15页 |
| ·本文的主要工作 | 第15-17页 |
| ·本文研究内容 | 第15-16页 |
| ·本文创新点 | 第16-17页 |
| ·论文组织结构 | 第17-18页 |
| 第二章 相关知识与理论 | 第18-28页 |
| ·聚类的概述 | 第18-21页 |
| ·聚类过程 | 第18-19页 |
| ·主要的聚类算法 | 第19页 |
| ·聚类评价方法 | 第19-21页 |
| ·文本聚类概述 | 第21-25页 |
| ·文本聚类过程 | 第21-22页 |
| ·文本预处理 | 第22-23页 |
| ·文本表示 | 第23-24页 |
| ·文本相似度度量 | 第24-25页 |
| ·高维数据降维技术 | 第25-27页 |
| ·高维数据降维的必要性 | 第25-26页 |
| ·文本降维方法 | 第26页 |
| ·基于降维的文本聚类模型 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 优化初始中心的K-Means聚类算法 | 第28-43页 |
| ·K-Means聚类算法介绍 | 第28-32页 |
| ·K-Means聚类算法思想及算法描述 | 第28-30页 |
| ·K-Means聚类算法的优缺点 | 第30-32页 |
| ·现有的中心点选取方法 | 第32页 |
| ·优化初始中心的K-means聚类算法 | 第32-37页 |
| ·基于密度思想的相关概念 | 第33页 |
| ·最大化最小距离思想(MMD) | 第33-35页 |
| ·优化初始聚类中心的K-Means算法 | 第35-36页 |
| ·算法流程图 | 第36-37页 |
| ·实验数据准备及实验 | 第37-42页 |
| ·实验数据 | 第37页 |
| ·聚类评价指标 | 第37-38页 |
| ·实验步骤及结果分析 | 第38-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 降维多核K-Means文本聚类算法 | 第43-58页 |
| ·核函数 | 第43-45页 |
| ·核函数定义 | 第43-44页 |
| ·常用的核函数及性质 | 第44-45页 |
| ·基于核函数的K-Means聚类算法 | 第45-47页 |
| ·核K-Means聚类算法思想 | 第45-46页 |
| ·核K-Means聚类算法描述 | 第46-47页 |
| ·多核学习 | 第47-49页 |
| ·多核函数的优势 | 第47页 |
| ·构造多核函数 | 第47-49页 |
| ·降维多核K-Means文本聚类算法 | 第49-52页 |
| ·实验设计与结果分析 | 第52-57页 |
| ·实验准备 | 第52-53页 |
| ·性能评价指标 | 第53页 |
| ·实验设计 | 第53-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| ·工作总结 | 第58-59页 |
| ·工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文 | 第65页 |
