基于Python的古汉语文本聚类应用研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景与意义 | 第7页 |
| 1.2 国内外文本挖掘研究现状 | 第7-9页 |
| 1.3 古汉语研究现状 | 第9-10页 |
| 1.4 论文的组织和结构 | 第10-11页 |
| 2 文本挖掘及相关技术 | 第11-24页 |
| 2.1 数据挖掘 | 第11页 |
| 2.2 文本挖掘 | 第11-12页 |
| 2.3 文本聚类 | 第12-15页 |
| 2.3.1 文本聚类的特点 | 第13页 |
| 2.3.2 文本聚类的研究方向 | 第13-14页 |
| 2.3.3 影响文本聚类结果的因素 | 第14-15页 |
| 2.4 文本预处理 | 第15-21页 |
| 2.4.1 文本分词 | 第15-16页 |
| 2.4.2 数据降维 | 第16-18页 |
| 2.4.3 文本表示 | 第18-19页 |
| 2.4.4 文本相似度计算 | 第19-21页 |
| 2.5 聚类算法的评价因素 | 第21-22页 |
| 2.6 文本聚类算法的评价指标 | 第22-24页 |
| 3 实验环境与整体设计 | 第24-30页 |
| 3.1 Python语言的介绍 | 第24页 |
| 3.2 算法分析 | 第24-27页 |
| 3.2.1 K-means算法分析 | 第24-25页 |
| 3.2.2 BIRCH算法分析 | 第25-26页 |
| 3.2.3 DBSCAN算法分析 | 第26-27页 |
| 3.3 环境搭建 | 第27页 |
| 3.4 古汉语特点 | 第27-29页 |
| 3.5 实验过程设计 | 第29-30页 |
| 4 实现过程与分析验证 | 第30-45页 |
| 4.1 文本预处理 | 第30-36页 |
| 4.1.1 语料库收集 | 第30-32页 |
| 4.1.2 文本预处理 | 第32-36页 |
| 4.2 文本聚类实现 | 第36-45页 |
| 4.2.1 聚类对比 | 第36-40页 |
| 4.2.2 选择效果较好的算法优化 | 第40-41页 |
| 4.2.3 Birch算法优化与完善 | 第41-43页 |
| 4.2.4 验证测试 | 第43-45页 |
| 5 实验总结与展望 | 第45-46页 |
| 5.1 本文的主要研究工作及成果 | 第45页 |
| 5.2 存在的问题及对未来工作的展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-51页 |
