聚类分析在Web文本挖掘中的应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-15页 |
| ·课题研究的目的和意义 | 第9-10页 |
| ·研究现状 | 第10-12页 |
| ·聚类的研究现状 | 第10-11页 |
| ·文本聚类的研究现状 | 第11-12页 |
| ·Web 文本聚类面对的挑战 | 第12-15页 |
| ·本文的研究内容 | 第13-15页 |
| 2 Web 文本挖掘关键技术 | 第15-27页 |
| ·网页采集 | 第15页 |
| ·Web 文本信息提取 | 第15-19页 |
| ·网页内容结构的表示 | 第16-18页 |
| ·去噪 | 第18-19页 |
| ·分词 | 第19-20页 |
| ·Web 文本表示 | 第20-22页 |
| ·权值计算 | 第22-24页 |
| ·降维 | 第24-27页 |
| ·特征选择 | 第24-26页 |
| ·特征重构 | 第26-27页 |
| 3 Web 文本聚类研究 | 第27-38页 |
| ·聚类综述 | 第27-28页 |
| ·聚类过程 | 第28-30页 |
| ·欧氏距离和余弦距离 | 第30-31页 |
| ·典型文本聚类算法 | 第31-38页 |
| ·划分的k-means 算法 | 第31-32页 |
| ·层次的利用多代表点的聚类算法 CURE | 第32-33页 |
| ·基于高密度连接区域的 DBSCAN 聚类算法 | 第33-34页 |
| ·基于神经网络模型的 SOM 算法 | 第34-36页 |
| ·模糊 C 均值聚类算法 FCM | 第36-38页 |
| 4 聚类改进算法 | 第38-47页 |
| ·文本聚类算法存在的缺陷 | 第38-39页 |
| ·极大熵原理 | 第39-41页 |
| ·信息熵的定义 | 第39-40页 |
| ·极大熵准则 | 第40-41页 |
| ·极大熵聚类算法 | 第41-42页 |
| ·球面K 均值聚类算法 | 第42-44页 |
| ·改进的球面K 均值聚类算法 | 第44-47页 |
| 5 实验证明 | 第47-53页 |
| ·实验环境 | 第47页 |
| ·数据集的选择 | 第47页 |
| ·评价方法 | 第47-49页 |
| ·评价指标 | 第47-48页 |
| ·本实验的评价标准 | 第48-49页 |
| ·实验设计与结果分析 | 第49-53页 |
| ·实验设计 | 第49-51页 |
| ·结果分析 | 第51-53页 |
| 6 结论和展望 | 第53-55页 |
| ·结论 | 第53页 |
| ·展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士期间发表的论文 | 第56-57页 |
| 参考文献 | 第57-59页 |
