我們正處于一個(gè)知識(shí)經(jīng)濟(jì)的時(shí)代,知識(shí)正取代傳統(tǒng)的土地、自然資源、資本和勞動(dòng)力成為推動(dòng)社會(huì)進(jìn)步與發(fā)展的主要力量。知識(shí)經(jīng)濟(jì)在客觀上要求有與之相適應(yīng)的管理模式和理論,以及有效的技術(shù)手段�；谶@個(gè)背景,本文著重研究和探討了文本知識(shí)管理中知識(shí)樹(shù)的自動(dòng)構(gòu)建,文本特征選擇方法,并設(shè)計(jì)和實(shí)現(xiàn)了一個(gè)知識(shí)管理原型系統(tǒng)。具體來(lái)說(shuō)有以下幾個(gè)方面: (1)基于文本聚類方法設(shè)計(jì)了一種新的知識(shí)樹(shù)構(gòu)建方法。針對(duì)當(dāng)前知識(shí)管理系統(tǒng)中知識(shí)樹(shù)的創(chuàng)建和維護(hù)問(wèn)題,設(shè)計(jì)了一種新的基于文本聚類的知識(shí)樹(shù)構(gòu)建方法。由于從傳統(tǒng)的K-means和SOM等文本聚類的結(jié)果中難以提取知識(shí)樹(shù)中節(jié)點(diǎn)對(duì)應(yīng)的概念和詞匯列表,本文選取概率潛在語(yǔ)義分析(Probabilistic Latent Semantic Analysis,簡(jiǎn)稱PLSA)方法進(jìn)行聚類和知識(shí)層次樹(shù)構(gòu)建。實(shí)驗(yàn)表明,新方法除了在聚類精確度上優(yōu)于傳統(tǒng)方法,聚類結(jié)果還包含文檔的主題與詞匯之間的概率關(guān)系,因此新方法在聚類的同時(shí),可以方便的提取知識(shí)樹(shù)上每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的概念或概念集合。 (2)基于潛在語(yǔ)義信息提出了一種新的特征詞選取方法。特征選擇在文本分類中起著重要的作用。文檔頻率(document fr...

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 選題的背景
    1.2 國(guó)內(nèi)外的研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)研究現(xiàn)狀
        1.2.2 國(guó)外研究現(xiàn)狀
    1.3 本文的研究目的和意義
    1.4 本文研究?jī)?nèi)容,方法與文章結(jié)構(gòu)
        1.4.1 研究?jī)?nèi)容與方法
        1.4.2 文章結(jié)構(gòu)
2 知識(shí)管理和知識(shí)管理系統(tǒng)
    2.1 知識(shí)與知識(shí)管理
        2.1.1 知識(shí)的概念
        2.1.2 知識(shí)的分類和特點(diǎn)
        2.1.3 知識(shí)管理的概念
        2.1.4 知識(shí)管理的目標(biāo)和原則
    2.2 知識(shí)樹(shù)概論
        2.2.1 知識(shí)樹(shù)的概念
        2.2.3 知識(shí)樹(shù)構(gòu)建存在的問(wèn)題
3 概率潛在語(yǔ)義分析
    3.1 文本聚類的簡(jiǎn)介
        3.1.1 什么是文本聚類
        3.1.2 常用的文本聚類及介紹
        3.1.3 現(xiàn)有方法中存在的問(wèn)題
    3.2 PLSA 方法簡(jiǎn)介
    3.3 PLSA 算法
4 基于文本聚類的知識(shí)樹(shù)自動(dòng)構(gòu)建方法
    4.1 知識(shí)層次樹(shù)自動(dòng)構(gòu)建方法
    4.2 算法比較和分析
        4.2.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.2.2 評(píng)價(jià)標(biāo)準(zhǔn)
        4.2.3 結(jié)果及分析
5 基于潛在語(yǔ)義信息的特征詞選擇方法
    5.1 特征詞選擇方法概論
        5.1.1 什么是特征詞選擇
        5.1.2 現(xiàn)有特征詞選擇方法及簡(jiǎn)介
        5.1.3 現(xiàn)有方法的優(yōu)缺點(diǎn)
    5.2 基于潛在語(yǔ)義信息的特征詞選擇方法
        5.2.1 方法簡(jiǎn)介
        5.2.2 方法詳述
    5.3 常用的文本分類的模型及算法簡(jiǎn)介
        5.3.1 樸素貝葉斯方法
        5.3.2 k-NN 方法
        5.3.3 支持向量機(jī)方法
        5.3.4 決策樹(shù)方法
        5.3.5 神經(jīng)網(wǎng)絡(luò)方法
    5.4 算法比較和分析
        5.4.1 測(cè)試環(huán)境介紹
        5.4.2 實(shí)驗(yàn)數(shù)據(jù)集
        5.4.3 評(píng)價(jià)標(biāo)準(zhǔn)
        5.4.4 結(jié)果及分析
6 知識(shí)管理原型系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)
    6.1 系統(tǒng)總體分析和設(shè)計(jì)
        6.1.1 系統(tǒng)框架
        6.1.2 技術(shù)路線
    6.2 系統(tǒng)模塊實(shí)現(xiàn)
        6.2.1 知識(shí)獲取接口
        6.2.2 文本預(yù)處理模塊
        6.2.3 知識(shí)樹(shù)構(gòu)建模塊
        6.2.4 新增文檔處理模塊
        6.2.5 用戶接口
    6.3 系統(tǒng)運(yùn)行效果圖
7 總結(jié)和展望
    7.1 本文主要貢獻(xiàn)和創(chuàng)新
    7.2 下一步研究工作
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3776420