针对短文本数据的聚类分析的算法及应用设计和实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 主要研究内容 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 背景理论和相关技术介绍 | 第13-22页 |
| 2.1 短文本相关知识 | 第13-15页 |
| 2.1.1 短文本的定义 | 第13页 |
| 2.1.2 当前互联网中的短文本 | 第13-15页 |
| 2.2 文本聚类理论知识概述 | 第15-19页 |
| 2.2.1 层次聚类 | 第16-17页 |
| 2.2.2 K-means算法 | 第17-19页 |
| 2.2.3 K近邻聚类 | 第19页 |
| 2.3 大数据概述 | 第19-21页 |
| 2.3.1 大数据的定义 | 第19-20页 |
| 2.3.2 大数据处理相关技术 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 短文本的聚类分析方法 | 第22-41页 |
| 3.1 短文本数据特点 | 第22-23页 |
| 3.2 短文本聚类分析的关键问题 | 第23-31页 |
| 3.2.1 文本预处理 | 第23-25页 |
| 3.2.2 文本表示 | 第25-28页 |
| 3.2.3 聚类算法 | 第28-31页 |
| 3.3 短文本数据的分词方法优化 | 第31-32页 |
| 3.4 特征词归类的文本表示方法 | 第32-34页 |
| 3.5 短文本的聚类算法设计 | 第34-40页 |
| 3.5.1 K-means算法的问题 | 第34-35页 |
| 3.5.2 Canopy算法 | 第35-36页 |
| 3.5.3 K-means算法的改进算法 | 第36-37页 |
| 3.5.4 改进K-means算法实验 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于微博的短文本聚类系统的设计 | 第41-51页 |
| 4.1 系统整体架构 | 第41-43页 |
| 4.1.1 系统功能需求 | 第41-42页 |
| 4.1.2 系统架构 | 第42-43页 |
| 4.2 存储层功能 | 第43-44页 |
| 4.3 数据分析层功能 | 第44-49页 |
| 4.4 服务层功能 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于微博的短文本聚类系统重要功能实现 | 第51-66页 |
| 5.1 系统技术架构 | 第51-52页 |
| 5.2 数据分析层 | 第52-61页 |
| 5.2.1 文本分词流程 | 第52-55页 |
| 5.2.2 文本特征词归类 | 第55-57页 |
| 5.2.3 微博数据聚类实现 | 第57-61页 |
| 5.3 服务层数据服务接口的实现 | 第61-62页 |
| 5.4 系统测试 | 第62-65页 |
| 5.4.1 评价标准 | 第62-63页 |
| 5.4.2 测试用例 | 第63页 |
| 5.4.3 实验结果 | 第63-65页 |
| 5.4.4 性能分析 | 第65页 |
| 5.5 本章小节 | 第65-66页 |
| 第六章 总结与展望 | 第66-67页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 附录 | 第69-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间发表的学术论文目录 | 第71页 |
