| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-7页 |
| 第一章 概论 | 第7-9页 |
| 1.1 数据挖掘定义 | 第7页 |
| 1.2 数据挖掘产生背景 | 第7页 |
| 1.3 数据挖掘研究现状 | 第7-8页 |
| 1.4 本文主要工作 | 第8-9页 |
| 第二章 数据挖掘技术 | 第9-14页 |
| 2.1 数据挖掘过程 | 第9-10页 |
| 2.1.1 数据准备 | 第9-10页 |
| 2.1.2 数据挖掘阶段 | 第10页 |
| 2.1.3 结果解释和评价 | 第10页 |
| 2.2 数据挖据的功能 | 第10-11页 |
| 2.2.1 概念描述 | 第10页 |
| 2.2.2 关联分析 | 第10-11页 |
| 2.2.3 分类与预测 | 第11页 |
| 2.2.4 聚类分析 | 第11页 |
| 2.2.5 自动预测趋势和行为 | 第11页 |
| 2.2.6 偏差检测 | 第11页 |
| 2.3 数据挖掘常用方法 | 第11-14页 |
| 2.3.1 人工神经网络方法 | 第11-12页 |
| 2.3.2 决策树方法 | 第12页 |
| 2.3.3 遗传算法 | 第12页 |
| 2.3.4 模糊论方法 | 第12页 |
| 2.3.5 统计分析方法 | 第12页 |
| 2.3.6 可视化技术 | 第12-13页 |
| 2.3.7 其它的方法 | 第13-14页 |
| 第三章 文本数据库挖掘 | 第14-21页 |
| 3.1 文本挖掘定义 | 第14页 |
| 3.2 文本挖掘的发展 | 第14-15页 |
| 3.3 文本挖掘的关键技术 | 第15-18页 |
| 3.3.1 文档聚类 | 第15-16页 |
| 3.3.2 文档分类 | 第16-17页 |
| 3.3.3 自动文摘 | 第17-18页 |
| 3.4 文本挖掘过程 | 第18-21页 |
| 3.4.1 文本的特征表示 | 第18页 |
| 3.4.2 文档建模 | 第18-19页 |
| 3.4.3 特征集的缩减 | 第19页 |
| 3.4.4 学习与知识模式的提取 | 第19-20页 |
| 3.4.5 模型质量的评价 | 第20-21页 |
| 第四章 向量空间模型及文本检索算法 | 第21-32页 |
| 4.1 向量空间模型 | 第21-22页 |
| 4.2 基于向量空间模型的文本分类 | 第22-24页 |
| 4.2.1 经典方法 | 第22-23页 |
| 4.2.2 改进的权重计算方法 | 第23页 |
| 4.2.3 分类阶段 | 第23-24页 |
| 4.3 文本信息检索算法 | 第24-26页 |
| 4.3.1 布尔检索 | 第24页 |
| 4.3.2 向量空间检索 | 第24-25页 |
| 4.3.3 概率检索 | 第25页 |
| 4.3.4 概念检索 | 第25页 |
| 4.3.5 个性化的信息检索 | 第25-26页 |
| 4.4 基于分类和关键词组抽取的信息息检索算法研究 | 第26-27页 |
| 4.5 中文文本分词 | 第27-32页 |
| 4.5.1 机械匹配法 | 第27页 |
| 4.5.2 特征词库法 | 第27-28页 |
| 4.5.3 约束矩阵法 | 第28-29页 |
| 4.5.4 语法分析法 | 第29页 |
| 4.5.5 理解切分法 | 第29页 |
| 4.5.6 本文采用的分词方法 | 第29-32页 |
| 第五章 基于向量空间模型信息检索系统实现 | 第32-37页 |
| 5.1 系统的开发环境 | 第32页 |
| 5.2 系统的总体设计 | 第32-33页 |
| 5.3 关键问题的处理 | 第33-35页 |
| 5.3.1 特征提取 | 第33页 |
| 5.3.2 类关键词组相关度权值计算 | 第33-34页 |
| 5.3.3 论文关键词组集合的构建 | 第34-35页 |
| 5.5 信息检索的实现 | 第35-36页 |
| 5.5.1 组成网页文件的清单 | 第35页 |
| 5.5.2 网页的结果 | 第35-36页 |
| 5.6 小结 | 第36-37页 |
| 第6 章、结 论 | 第37-38页 |
| 参考文献 | 第38-40页 |
| 后记 | 第40-41页 |
| 在学习期间公开发表论文及著作情况 | 第41页 |