基于聚类的文本机会发现关键问题研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-22页 |
| ·选题背景 | 第12-14页 |
| ·机会发现简介 | 第14-15页 |
| ·本文的研究动机 | 第15-16页 |
| ·本文的研究内容 | 第16-19页 |
| ·论文的组织结构 | 第19-22页 |
| 第2章 机会发现相关研究 | 第22-37页 |
| ·机会的定义 | 第22-24页 |
| ·Ohsawa 的定义 | 第22页 |
| ·基于溯因推理的定义 | 第22-23页 |
| ·基于Lm4c 的定义 | 第23-24页 |
| ·机会发现与相关研究的联系和区别 | 第24-27页 |
| ·机会发现与知识发现 | 第24-25页 |
| ·机会发现与数据挖掘 | 第25-27页 |
| ·机会发现的理论研究 | 第27-29页 |
| ·溯因推理 | 第27-28页 |
| ·动态概率逻辑 | 第28页 |
| ·Lm4c | 第28-29页 |
| ·机会发现算法的研究 | 第29-34页 |
| ·KeyGraph | 第29-30页 |
| ·Data Crystallization | 第30-31页 |
| ·KeyWorld | 第31页 |
| ·基于人机交互退火过程的机会发现算法 | 第31-32页 |
| ·征兆发现算法 | 第32页 |
| ·基于遗传算法的机会发现算法 | 第32-34页 |
| ·机会发现的应用 | 第34-35页 |
| ·存在的问题 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 基于聚类的文本机会发现过程模型 | 第37-51页 |
| ·文本机会 | 第37-43页 |
| ·机会的含义 | 第37-39页 |
| ·文本机会的定义 | 第39-43页 |
| ·文本机会发现与文本挖掘 | 第43-44页 |
| ·基于聚类的文本机会发现过程模型 | 第44-50页 |
| ·本章小结 | 第50-51页 |
| 第4章 多遍扫描KeyGraph 执行模型 | 第51-68页 |
| ·KeyGraph 算法 | 第51-53页 |
| ·多遍扫描Keygraph 执行模型 | 第53-60页 |
| ·预处理 | 第55页 |
| ·模型的思想与描述 | 第55-60页 |
| ·复杂性分析 | 第60-61页 |
| ·仿真实验 | 第61-67页 |
| ·数据集描述 | 第61-62页 |
| ·实验过程及结果 | 第62-66页 |
| ·结果分析 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第5章 基于免疫网络的文本机会发现算法 | 第68-97页 |
| ·问题的提出 | 第68-69页 |
| ·科技文献结构 | 第69-71页 |
| ·传统机会发现数据预处理过程 | 第71-73页 |
| ·文本机会发现预处理算法 | 第73-79页 |
| ·算法描述 | 第75-78页 |
| ·仿真实验与结果分析 | 第78-79页 |
| ·进化免疫网络 | 第79-84页 |
| ·基于免疫网络的文本机会发现算法 | 第84-93页 |
| ·相关定义及亲和力计算 | 第86-89页 |
| ·算法描述 | 第89-92页 |
| ·仿真实验与结果分析 | 第92-93页 |
| ·算法在科技文献中的应用 | 第93-96页 |
| ·数据集描述 | 第93-94页 |
| ·参数及评价标准设置 | 第94-95页 |
| ·结果对比分析 | 第95-96页 |
| ·本章小结 | 第96-97页 |
| 第6章 基于免疫的文本机会发现系统框架及响应模型 | 第97-111页 |
| ·问题的提出 | 第97页 |
| ·基于免疫的agent | 第97-100页 |
| ·基于免疫的多agent 文本机会发现系统框架 | 第100-103页 |
| ·文本机会发现系统响应模型 | 第103-109页 |
| ·动态识别免疫网络模型 | 第103-106页 |
| ·基于动态免疫网络的文本机会发现系统响应模型 | 第106-109页 |
| ·实例 | 第109-110页 |
| ·本章小结 | 第110-111页 |
| 结论 | 第111-113页 |
| 参考文献 | 第113-123页 |
| 攻读博士学位期间发表的论文和取得科研成果 | 第123-124页 |
| 致谢 | 第124-125页 |
| 个人简历 | 第125页 |
