基于LDA主题模型的文本聚类研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第7-11页 |
| 1.1 研究的背景 | 第7页 |
| 1.2 研究的意义 | 第7-9页 |
| 1.3 国内外的研究现状 | 第9-10页 |
| 1.4 研究内容及主要工作 | 第10-11页 |
| 第二章 文本挖掘的主要技术 | 第11-24页 |
| 2.1 研究的背景 | 第11页 |
| 2.2 文本表示 | 第11-12页 |
| 2.3 文本预处理 | 第12-19页 |
| 2.3.1 文本分词技术 | 第13-15页 |
| 2.3.2 停用词处理 | 第15-16页 |
| 2.3.3 词干化处理 | 第16页 |
| 2.3.4 特征提取与特征权重计算 | 第16-19页 |
| 2.4 R语言文本挖掘的实验 | 第19-24页 |
| 2.4.1 文本预处理 | 第19-21页 |
| 2.4.2 文本挖掘 | 第21-24页 |
| 第三章 文本聚类 | 第24-35页 |
| 3.1 文本相似度的度量 | 第24-25页 |
| 3.2 聚类方法 | 第25-28页 |
| 3.3 R语言对新闻数据的分析 | 第28-35页 |
| 3.3.1 文本表示过程 | 第28-31页 |
| 3.3.2 基于K-means的文本聚类 | 第31-32页 |
| 3.3.3 基于层次的文本聚类 | 第32-35页 |
| 第四章 LDA主题模型 | 第35-41页 |
| 4.1 LDA的原理介绍 | 第35-38页 |
| 4.2 R语言新闻数据的LDA主题提取 | 第38-41页 |
| 第五章 结论与展望 | 第41-43页 |
| 5.1 本文工作总结 | 第41页 |
| 5.2 展望 | 第41-43页 |
| 参考文献 | 第43-45页 |
| 致谢 | 第45页 |
