| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.3 本文研究内容 | 第16-18页 |
| 第2章 文本聚类相关技术 | 第18-37页 |
| 2.1 概述 | 第18-19页 |
| 2.2 文本模型 | 第19-21页 |
| 2.2.1 向量空间模型 | 第19页 |
| 2.2.2 概率模型 | 第19-21页 |
| 2.2.3 布尔模型 | 第21页 |
| 2.3 文本相似度 | 第21页 |
| 2.4 主要文本聚类算法 | 第21-32页 |
| 2.4.1 划分法聚类 | 第22-25页 |
| 2.4.2 层次法聚类 | 第25-26页 |
| 2.4.3 密度法聚类 | 第26-27页 |
| 2.4.4 图论法聚类 | 第27-29页 |
| 2.4.5 网格法聚类 | 第29-31页 |
| 2.4.6 基于深度学习的文本聚类 | 第31-32页 |
| 2.5 文本分类方法 | 第32-35页 |
| 2.5.1 朴素贝叶斯算法 | 第32-34页 |
| 2.5.2 k近邻法 | 第34页 |
| 2.5.3 Rocchio法 | 第34-35页 |
| 2.6 本章小结 | 第35-37页 |
| 第3章 基于SKIP-GRAM的词向量生成方法研究 | 第37-48页 |
| 3.1 基于SKIP-GRAM的词向量生成方法 | 第37-38页 |
| 3.1.1 特征向量 | 第37-38页 |
| 3.1.2 相似度计算 | 第38页 |
| 3.2 数据去噪 | 第38-39页 |
| 3.3 中文分词 | 第39-41页 |
| 3.4 词向量模型 | 第41-43页 |
| 3.5 训练词向量模型 | 第43-44页 |
| 3.6 模型配置即参数调整 | 第44-45页 |
| 3.6.1 Skip-Gram 模型配置 | 第44-45页 |
| 3.6.2 Skip-Gram 超参调节 | 第45页 |
| 3.7 实验结果分析 | 第45-46页 |
| 3.8 本章小结 | 第46-48页 |
| 第4章 基于神经网络的短文本聚类方法研究 | 第48-64页 |
| 4.1 SHORTEXTCNN | 第48-53页 |
| 4.1.1 概述 | 第48页 |
| 4.1.2 SHORTTEXTCNN中的权值共享 | 第48-49页 |
| 4.1.3 卷积与池化 | 第49-51页 |
| 4.1.4 激活函数 | 第51-52页 |
| 4.1.5 过拟合 | 第52页 |
| 4.1.6 反向传播算法 | 第52-53页 |
| 4.2 面向短文本分类的SHORTTEXTCNN模型研究 | 第53-57页 |
| 4.2.1 SHORTTEXTCNN输入层设计 | 第55页 |
| 4.2.2 SHORTTEXTCNN卷积层设计 | 第55-56页 |
| 4.2.3 SHORTTEXTCNN池化层与连接层设计 | 第56-57页 |
| 4.3 SHORTTEXTCNN网络训练 | 第57页 |
| 4.4 基于SHORTTEXTCNN的K-MEANS文本聚类 | 第57-58页 |
| 4.5 实验结果分析 | 第58-63页 |
| 4.6 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-75页 |
| 致谢 | 第75页 |
