| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 聚类算法及研究现状 | 第11-12页 |
| 1.2.2 基于密度的聚类算法 | 第12-13页 |
| 1.2.3 基于群体智能改进的聚类算法 | 第13页 |
| 1.2.4 新闻话题发现中的聚类算法应用研究进展 | 第13-14页 |
| 1.2.5 研究现状总结 | 第14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第二章 改进的基于粒子群的密度峰值发现算法 | 第17-25页 |
| 2.1 快速搜索密度峰值发现聚类算法 | 第17-19页 |
| 2.1.1 密度和距离计算 | 第17页 |
| 2.1.2 聚类过程 | 第17-19页 |
| 2.2 基本粒子群优化算法 | 第19-20页 |
| 2.2.1 粒子群位置和速度 | 第19-20页 |
| 2.2.2 粒子群算法步骤 | 第20页 |
| 2.3 改进的基于粒子群的密度峰值聚类算法 | 第20-22页 |
| 2.3.1 粒子编码 | 第20-21页 |
| 2.3.2 适应度函数设置 | 第21页 |
| 2.3.3 算法收敛条件 | 第21页 |
| 2.3.4 改进PSO-FSDP算法聚类算法描述 | 第21-22页 |
| 2.4 实验 | 第22-24页 |
| 2.4.1 实验设计 | 第22页 |
| 2.4.2 实验数据 | 第22-23页 |
| 2.4.3 实验结果及分析 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于PSO-FSDP文本聚类的新闻话题发现 | 第25-35页 |
| 3.1 问题描述 | 第25页 |
| 3.2 文本建模 | 第25-30页 |
| 3.2.1 向量空间模型 | 第26页 |
| 3.2.2 主题模型 | 第26-27页 |
| 3.2.3 语言模型 | 第27页 |
| 3.2.4 WORD2VEC进行文本建模 | 第27-30页 |
| 3.3 计算文本相似度 | 第30-31页 |
| 3.4 PSO-FSDP文本聚类算法发现新闻话题 | 第31-32页 |
| 3.4.1 算法流程图 | 第31页 |
| 3.4.2 算法描述 | 第31-32页 |
| 3.5 实验 | 第32-34页 |
| 3.5.1 实验数据 | 第32页 |
| 3.5.2 实验结果及分析 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 新闻话题发现原型系统的设计与实现 | 第35-39页 |
| 4.1 系统设计目标 | 第35页 |
| 4.2 系统开发环境 | 第35页 |
| 4.3 系统设计原理及方案 | 第35-36页 |
| 4.4 原型系统展示 | 第36-38页 |
| 4.4.1 系统界面 | 第36-37页 |
| 4.4.2 话题发现效果展示 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第五章 总结与展望 | 第39-41页 |
| 5.1 全文总结 | 第39页 |
| 5.2 展望 | 第39-41页 |
| 参考文献 | 第41-47页 |
| 攻读硕士期间发表论文 | 第47-49页 |
| 致谢 | 第49页 |