面向文本的标签云可视化度量模型的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 引言 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第2章 可视化技术的相关理论及评价 | 第17-28页 |
| 2.1 可视化技术的相关理论 | 第17-21页 |
| 2.1.1 可视化技术的概念与研究方向 | 第17-19页 |
| 2.1.2 可视化技术的分类 | 第19页 |
| 2.1.3 常用数据可视化技术 | 第19-21页 |
| 2.2 文本可视化技术的分类 | 第21-24页 |
| 2.2.1 标签云可视化技术 | 第21-23页 |
| 2.2.2 其他文本可视化技术 | 第23-24页 |
| 2.3 可视化技术的评价 | 第24-27页 |
| 2.3.1 可视化技术评价的介绍 | 第24-25页 |
| 2.3.2 相关的数据可视化技术评价 | 第25-26页 |
| 2.3.3 文本可视化技术的评价 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 标签云可视化度量模型的研究 | 第28-39页 |
| 3.1 度量模型综合评价的方法 | 第28-31页 |
| 3.1.1 灰色关联分析法 | 第28页 |
| 3.1.2 层次分析法和模糊层次分析法 | 第28-30页 |
| 3.1.3 其他的分析方法 | 第30-31页 |
| 3.2 度量模型的指标体系 | 第31-34页 |
| 3.2.1 标签云可视化技术的原理及特点 | 第31页 |
| 3.2.2 数据规模与彩信词的筛选 | 第31-32页 |
| 3.2.3 认知复杂度 | 第32-33页 |
| 3.2.4 视觉效果及表现 | 第33-34页 |
| 3.3 度量模型的建立 | 第34-35页 |
| 3.4 度量模型中指标权重的计算 | 第35-37页 |
| 3.4.1 各级指标权重的计算结果 | 第35-37页 |
| 3.4.2 无量纲化 | 第37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 度量模型指标体系的设计与实现 | 第39-52页 |
| 4.1 关键算法流程设计与实现 | 第39-48页 |
| 4.1.1 编程实现环境及工具 | 第39页 |
| 4.1.2 英文文本的预处理算法 | 第39-41页 |
| 4.1.3 基于词频的单词过滤算法 | 第41-43页 |
| 4.1.4 基于停止词和单词长度的单词过滤算法 | 第43-44页 |
| 4.1.5 可视化的标签碰撞检测算法 | 第44-46页 |
| 4.1.6 单文本和多文本的处理算法 | 第46-48页 |
| 4.2 度量指标提取算法的设计与实现 | 第48-51页 |
| 4.2.1 彩信词密度指标 | 第48页 |
| 4.2.2 彩信词方度指标 | 第48-50页 |
| 4.2.3 方向认知度指标 | 第50页 |
| 4.2.4 色彩比重指标 | 第50-51页 |
| 4.2.5 空间利用度指标 | 第51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 度量模型指标应用结果分析 | 第52-60页 |
| 5.1 评价分数的计算 | 第52-53页 |
| 5.2 单文本应用的指标分析 | 第53-57页 |
| 5.3 多文本应用的指标分析 | 第57-58页 |
| 5.4 特殊文本应用的指标分析 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |
