基于语义的文本聚类算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 本文主要内容及组织结构 | 第16-18页 |
| 1.3.1 本文主要研究内容 | 第16页 |
| 1.3.2 本文组织结构 | 第16-18页 |
| 2 文本聚类相关技术 | 第18-34页 |
| 2.1 文本聚类的概念 | 第18页 |
| 2.2 文本聚类过程 | 第18-19页 |
| 2.3 文本预处理 | 第19-21页 |
| 2.3.1 分词 | 第19-20页 |
| 2.3.2 停用词过滤 | 第20页 |
| 2.3.3 词干提取 | 第20-21页 |
| 2.4 文本表示 | 第21-26页 |
| 2.4.1 文本表示模型 | 第22-23页 |
| 2.4.2 特征降维 | 第23-25页 |
| 2.4.3 特征权值计算 | 第25-26页 |
| 2.5 文本相似度算法 | 第26-27页 |
| 2.6 文本聚类算法 | 第27-31页 |
| 2.7 文本聚类结果评价 | 第31-33页 |
| 2.8 本章小结 | 第33-34页 |
| 3 基于连续词向量语义消歧的文本聚类 | 第34-47页 |
| 3.1 WordNet语义词典 | 第34-38页 |
| 3.1.1 WordNet简介 | 第35-36页 |
| 3.1.2 WordNet中语义关系 | 第36-38页 |
| 3.2 神经网络语言模型 | 第38-40页 |
| 3.2.1 语言模型概述 | 第38页 |
| 3.2.2 神经网络语言模型 | 第38页 |
| 3.2.3 word2vec模型框架 | 第38-40页 |
| 3.3 基于连续词向量的语义消歧算法 | 第40-43页 |
| 3.3.1 算法思想及原理 | 第41页 |
| 3.3.2 算法具体实现 | 第41-43页 |
| 3.4 基于连续词向量语义消歧的文本聚类算法 | 第43-45页 |
| 3.4.1 语义消歧对于文本聚类的意义 | 第43页 |
| 3.4.2 算法描述 | 第43-45页 |
| 3.5 本章小结 | 第45-47页 |
| 4 基于连续词向量和概念簇的文本聚类 | 第47-53页 |
| 4.1 特征降维算法综述 | 第47-48页 |
| 4.2 基于概念簇的特征降维算法 | 第48-50页 |
| 4.2.1 算法思想及原理 | 第48-49页 |
| 4.2.2 算法具体实现 | 第49-50页 |
| 4.3 基于连续词向量和概念簇的文本聚类算法 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 5 实验及结果分析 | 第53-62页 |
| 5.1 实验环境 | 第53页 |
| 5.2 实验数据 | 第53-54页 |
| 5.3 文本聚类性能评估方法 | 第54-55页 |
| 5.3.1 文本聚类准确性评估方法 | 第54页 |
| 5.3.2 文本聚类准确性比较标准 | 第54-55页 |
| 5.3.3 特征降维比较标准 | 第55页 |
| 5.4 算法实现中相关参数设置 | 第55-56页 |
| 5.5 对比实验结果及分析 | 第56-59页 |
| 5.5.1 对比算法 | 第56-57页 |
| 5.5.2 实验结果及分析 | 第57-59页 |
| 5.6 文本聚类算法类别数预测能力验证 | 第59-61页 |
| 5.7 本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 本文总结 | 第62-63页 |
| 6.2 研究展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
