基于主題的web文檔聚類研究.doc
約6頁DOC格式手機打開展開
基于主題的web文檔聚類研究,基于主題的web文檔聚類研究 全文 6頁3546字敘述詳盡 摘要：網(wǎng)絡(luò)資源的不斷膨脹和新舊信息的迅速更迭，使傳統(tǒng)的手工分檢的方法難以適應(yīng)對海量電子數(shù)據(jù)的管理需要。web文檔聚類可以快速地將文檔進行自動歸類，并能夠發(fā)現(xiàn)新的信息資源。針對web文檔數(shù)據(jù)的復(fù)雜性，本文提出了通過二次特征提取和聚類的方法，將web文檔按照主題進...
內(nèi)容介紹
此文檔由會員 周伯通 發(fā)布
基于主題的Web文檔聚類研究
全文 6頁3546字 敘述詳盡
摘要：網(wǎng)絡(luò)資源的不斷膨脹和新舊信息的迅速更迭，使傳統(tǒng)的手工分檢的方法難以適應(yīng)對海量電子數(shù)據(jù)的管理需要。Web文檔聚類可以快速地將文檔進行自動歸類，并能夠發(fā)現(xiàn)新的信息資源。針對Web文檔數(shù)據(jù)的復(fù)雜性，本文提出了通過二次特征提取和聚類的方法，將Web文檔按照主題進行自動聚類。在主題特征被有效提取的同時，實現(xiàn)了較高質(zhì)量的Web文檔聚類。
關(guān)鍵詞：Web文檔聚類；OPTICS算法；特征提取；K近鄰準則；二次特征提取和聚類的方法
參考文獻：
[1]M.Ester, H.-P.Kriegel, J.Sander, and X.Xu. “A density-based algorithm for discovering clusters in large spatial databases.” In Proc. 1996 Int. Conf.Knowledge Discovery and Data Mining(KDD’96),1996.
[2]M.Ankerst, M.Breunig, H.-P. Kriegel, and J.Sander. “OPTICS:Ordering points to identify the clustering structure.” In Proc.1999 ACM-SIGMOD Int. Conf. Management of the Data(SIGMOD’99),1999
[3]邊肇祺，張學(xué)工等?！赌Ｊ阶R別》，北京，清華大學(xué)出版社，2000
[4]Jiawei Han, Micheline Kamber著, 范明, 孟曉峰等譯, 《數(shù)據(jù)挖掘——概念與技術(shù)》, 機械工業(yè)出版社, 2001
[5]Yang, Y., Pedersen, J.O. “A Comparative Study on Feature Selection in Text Categorization.” Proc. of the 14th International Conference on Machine Learning ICML97
[6]Eui-Hong Han, George Karypis and Vipin Kumar. “Text Categorization Using Weight Adjusted k-Nearest Neighbor Classification”. Pacific-Asia Conference on Knowledge Discovery and Data Minings, 2001
[7]韓客松, 王永成, 陳桂林, 《無詞典高頻字串快速提取和統(tǒng)計算法研究》, 中文信息學(xué)報, 2001,15(2)
全文 6頁3546字 敘述詳盡
摘要：網(wǎng)絡(luò)資源的不斷膨脹和新舊信息的迅速更迭，使傳統(tǒng)的手工分檢的方法難以適應(yīng)對海量電子數(shù)據(jù)的管理需要。Web文檔聚類可以快速地將文檔進行自動歸類，并能夠發(fā)現(xiàn)新的信息資源。針對Web文檔數(shù)據(jù)的復(fù)雜性，本文提出了通過二次特征提取和聚類的方法，將Web文檔按照主題進行自動聚類。在主題特征被有效提取的同時，實現(xiàn)了較高質(zhì)量的Web文檔聚類。
關(guān)鍵詞：Web文檔聚類；OPTICS算法；特征提取；K近鄰準則；二次特征提取和聚類的方法
參考文獻：
[1]M.Ester, H.-P.Kriegel, J.Sander, and X.Xu. “A density-based algorithm for discovering clusters in large spatial databases.” In Proc. 1996 Int. Conf.Knowledge Discovery and Data Mining(KDD’96),1996.
[2]M.Ankerst, M.Breunig, H.-P. Kriegel, and J.Sander. “OPTICS:Ordering points to identify the clustering structure.” In Proc.1999 ACM-SIGMOD Int. Conf. Management of the Data(SIGMOD’99),1999
[3]邊肇祺，張學(xué)工等?！赌Ｊ阶R別》，北京，清華大學(xué)出版社，2000
[4]Jiawei Han, Micheline Kamber著, 范明, 孟曉峰等譯, 《數(shù)據(jù)挖掘——概念與技術(shù)》, 機械工業(yè)出版社, 2001
[5]Yang, Y., Pedersen, J.O. “A Comparative Study on Feature Selection in Text Categorization.” Proc. of the 14th International Conference on Machine Learning ICML97
[6]Eui-Hong Han, George Karypis and Vipin Kumar. “Text Categorization Using Weight Adjusted k-Nearest Neighbor Classification”. Pacific-Asia Conference on Knowledge Discovery and Data Minings, 2001
[7]韓客松, 王永成, 陳桂林, 《無詞典高頻字串快速提取和統(tǒng)計算法研究》, 中文信息學(xué)報, 2001,15(2)
