| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-15页 |
| ·论文研究背景和意义 | 第11-13页 |
| ·研究背景 | 第11-12页 |
| ·研究意义 | 第12-13页 |
| ·论文研究内容 | 第13-14页 |
| ·论文组织结构 | 第14-15页 |
| 第二章 基于向量空间模型的文本聚类技术 | 第15-33页 |
| ·文本聚类概述 | 第15-21页 |
| ·数据挖掘概念 | 第15页 |
| ·文本挖掘概念 | 第15-16页 |
| ·文本挖掘过程和技术 | 第16-18页 |
| ·文本挖掘过程 | 第16-17页 |
| ·文本挖掘技术 | 第17-18页 |
| ·文本聚类技术 | 第18-21页 |
| ·文本聚类定义 | 第18页 |
| ·文本聚类过程 | 第18-20页 |
| ·文本聚类应用 | 第20-21页 |
| ·向量空间模型 | 第21-31页 |
| ·文本预处理 | 第22-25页 |
| ·分词 | 第22页 |
| ·停用词处理 | 第22-23页 |
| ·特征项选择 | 第23-24页 |
| ·特征项权重计算 | 第24-25页 |
| ·文本表示模型 | 第25-29页 |
| ·文本表示模型定义 | 第25-26页 |
| ·向量空间模型概述 | 第26页 |
| ·其它模型概述 | 第26-28页 |
| ·向量空间模型优缺点 | 第28-29页 |
| ·文本相似度度量 | 第29-31页 |
| ·本章小结 | 第31-33页 |
| 第三章 文本聚类算法 | 第33-47页 |
| ·文本聚类算法概述 | 第33-36页 |
| ·聚类概念 | 第33-34页 |
| ·聚类数据结构 | 第34-35页 |
| ·聚类要求 | 第35-36页 |
| ·文本聚类算法分类 | 第36-40页 |
| ·划分聚类 | 第36-37页 |
| ·层次聚类 | 第37-38页 |
| ·基于密度的聚类 | 第38-39页 |
| ·基于网格的聚类 | 第39页 |
| ·基于模型的聚类 | 第39-40页 |
| ·K-MEANS 聚类算法 | 第40-45页 |
| ·K-means 聚类算法概念 | 第40页 |
| ·K-means 聚类算法优缺点 | 第40-41页 |
| ·K-means 聚类算法初始点的选择方法 | 第41-42页 |
| ·K-means 聚类算法研究进展和趋势 | 第42-45页 |
| ·文本聚类结果的评价 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 基于新闻评论数据的K-MEANS 聚类算法 | 第47-62页 |
| ·新闻评论数据的向量空间模型 | 第47-52页 |
| ·实验的新闻评论数据 | 第47-48页 |
| ·新闻评论数据的特点 | 第48-49页 |
| ·评论数据的预处理 | 第49-50页 |
| ·评论数据的特征项 | 第50-51页 |
| ·评论数据的聚类过程示例 | 第51-52页 |
| ·新闻评论数据的聚类算法 | 第52-57页 |
| ·K-means 聚类算法 | 第52页 |
| ·改进的K-means 聚类算法 | 第52-55页 |
| ·改进的K-means 聚类算法参数分析 | 第55-57页 |
| ·实验结果及分析 | 第57-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 K-MEANS 聚类算法在新闻评论推荐系统中的应用 | 第62-70页 |
| ·新闻评论推荐系统 | 第62-64页 |
| ·系统背景及意义 | 第62-63页 |
| ·系统实现功能流程 | 第63-64页 |
| ·新闻评论聚类功能的实现 | 第64-68页 |
| ·功能实现方法 | 第64页 |
| ·开发工具和平台 | 第64-65页 |
| ·数据库结构设计 | 第65-67页 |
| ·功能实现界面 | 第67-68页 |
| ·本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| ·论文内容总结 | 第70页 |
| ·研究与展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 附录：攻读学位期间发表的学术论文 | 第76页 |