一种聚类算法的并行化改进及其在微博用户聚类中的应用
| 摘要 | 第3-5页 |
| ABSTRACT | 第5页 |
| 目录 | 第7-10页 |
| 图录 | 第10-11页 |
| 表录 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 聚类算法研究现状 | 第13-15页 |
| 1.2.2 微博研究现状 | 第15-17页 |
| 1.3 研究内容及工作 | 第17-18页 |
| 1.4 面临的困难和挑战 | 第18页 |
| 1.5 论文组织 | 第18-19页 |
| 1.6 本章小结 | 第19-20页 |
| 第二章 相关理论技术 | 第20-34页 |
| 2.1 K 均值算法及相关研究 | 第20-26页 |
| 2.1.1 K 均值算法及模糊 K 均值算法 | 第20-22页 |
| 2.1.2 聚类验证技术 | 第22-24页 |
| 2.1.3 初始值选择 | 第24-25页 |
| 2.1.4 并行化计算 | 第25-26页 |
| 2.2 文本处理技术 | 第26-28页 |
| 2.2.1 预处理技术 | 第26-27页 |
| 2.2.2 特征提取与表示 | 第27-28页 |
| 2.2.3 相似度计算 | 第28页 |
| 2.3 主题模型 | 第28-33页 |
| 2.3.1 LSA 与 pLSA | 第29-31页 |
| 2.3.2 LDA 主题模型 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于 EAFKM 算法的微博用户聚类分析 | 第34-49页 |
| 3.1 AFKM 算法 | 第34-37页 |
| 3.1.1 最优化过程 | 第34-36页 |
| 3.1.2 算法特性 | 第36页 |
| 3.1.3 算法总体流程 | 第36-37页 |
| 3.2 EAFKM 算法 | 第37-44页 |
| 3.2.1 初始中心选择 | 第38-39页 |
| 3.2.2 并行实现 | 第39-43页 |
| 3.2.3 算法流程 | 第43-44页 |
| 3.3 微博用户特征提取 | 第44-46页 |
| 3.3.1 微博用户特征表述 | 第44-45页 |
| 3.3.2 微博用户特征提取 | 第45-46页 |
| 3.4 微博用户聚类分析 | 第46-48页 |
| 3.4.1 相似度计算 | 第46-47页 |
| 3.4.2 聚类结果评价 | 第47页 |
| 3.4.3 聚类结果解释 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 实验结果及分析 | 第49-65页 |
| 4.1 概述 | 第49页 |
| 4.2 EAFKM 算法相关实验 | 第49-56页 |
| 4.2.1 实验一 | 第49-52页 |
| 4.2.2 实验二 | 第52-53页 |
| 4.2.3 实验三 | 第53-54页 |
| 4.2.4 实验四 | 第54-56页 |
| 4.3 主题模型构建 | 第56-61页 |
| 4.3.1 实验设计 | 第56-58页 |
| 4.3.2 实验结果分析 | 第58-61页 |
| 4.4 用户聚类分析 | 第61-64页 |
| 4.4.1 实验设计 | 第61-62页 |
| 4.4.2 实验结果分析 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 结束语 | 第65-67页 |
| 5.1 论文主要工作 | 第65页 |
| 5.2 未来工作展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间已发表或录用的论文 | 第74-75页 |
| 附件 | 第75-77页 |
