1 绪论 1
1.1 学科交叉研究进展 3
1.2 主要内容 7
1.3 研究思路与技术路线 8
1.3.1 研究思路 8
1.3.2 技术路线 10
2 文本挖掘关键技术研究 12
2.1 文本挖掘概述 12
2.1.1 向量空间模型 14
2.1.2 相似度测度 16
2.1.3 评价函数 17
2.2 文本特征提取 19
2.2.1 互信息方法 20
2.2.2 特征频度与文档频度 20
2.2.3 χ2统计量方法 21
2.3 文本分类 22
2.4 文本聚类 25
2.5 一种改进的文档相似度模型 28
2.5.1 相似度计算模型 29
2.5.2 最大距离聚类算法 31
2.5.3 实验仿真与结果分析 33
2.6 最佳聚类数目确定方法 36
2.6.1 基于熵的评估方法 37
2.6.2 基于混合F统计量的评估方法 37
2.7 本章小结 39
3 聚类算法研究 40
3.1 模糊C-均值聚类 40
3.1.1 FCM基本原理 41
3.1.2 FCM聚类算法 42
3.1.3 实验仿真 43
3.2 基于遗传算法的聚类 45
3.2.1 遗传算法 45
3.2.2 目标函数 46
3.2.3 算法实现 47
3.2.4 实验仿真 49
3.3 基于粒子群优化算法的聚类 50
3.3.1 粒子群算法简介 50
3.3.2 算法特点 52
3.3.3 文献聚类数学模型 53
3.3.4 文档聚类算法设计 54
3.3.5 算法仿真与分析 55
3.4 基于粒子对称分布多样性的PSO算法 59
3.4.1 多样性函数的定义及调节方法 61
3.4.2 算法设计 63
3.4.3 算法仿真与分析 64
3.5 基于免疫选择的粒子群优化算法 71
3.5.1 人工免疫算法 73
3.5.2 相关定义 74
3.5.3 算法设计 77
3.5.4 实验仿真与分析 79
3.6 基于IS-PSO与FCM的聚类融合算法 83
3.6.1 聚类融合算法的基本思想 83
3.6.2 聚类融合算法设计 84
3.6.3 实验仿真与分析 85
3.7 本章小结 87
4 知识可视化及降维技术研究 88
4.1 可视化概述 88
4.2 知识可视化 90
4.3 知识可视化软件 92
4.3.1 CiteSpace 93
4.3.2 Ucinet 95
4.4 降维技术 96
4.4.1 MDS 97
4.4.2 ISOmap 98
4.4.3 PCA 99
4.5 三种降维方法的比较 102
4.5.1 降维质量评价函数 102
4.5.2 降维效果比较 103
4.6 基于PCA可视化实例 105
5 学科交叉知识发现与可视化模型研究 110
5.1 学科交叉文献发现模型 110
5.2 学科交叉知识发掘模型 112
5.2.1 基于共词聚类的学科交叉点挖掘模型 113
5.2.2 基于互信息的研究方向描述 114
5.2.3 学科交叉突现词检测方法 114
5.2.4 基于发文比例的学科方向演变描述模型 116
5.3 学科交叉知识可视化模型 117
5.3.1 学科交叉度与融合度定义 117
5.3.2 学科交叉可视化模板 118
5.3.3 学科融合可视化模板 119
5.3.4 学科交叉聚类可视化模板 120
5.3.5 研究方向趋势可视化模板 122
5.3.6 突现词聚类可视化模板 123
5.4 本章小结 124
6 学科交叉知识发现及可视化实证研究 125
6.1 数据的采集与预处理 125
6.2 学科交叉文献的选择方法 126
6.2.1 学科交叉特征词选择与分析 126
6.2.2 学科交叉文献选择策略 129
6.3 基于融合算法的文档聚类 131
6.3.1 基于主题词表的特征约简 131
6.3.2 基于F统计量的最佳类别数确定 134
6.3.3 基于融合算法文档聚类的实现 138
6.3.4 基于互信息的类别特征描述 142
6.3.5 学科交叉因子与融合因子分析 147
6.3.6 突现词检测及聚类分析 149
6.4 基于VIK的学科交叉知识可视化 151
6.4.1 VIK可视化软件简介 152
6.4.2 学科交叉视图 154
6.4.3 学科融合视图 156
6.4.4 学科交叉聚类视图 158
6.4.5 研究方向发展趋势视图 165
6.4.6 突现词聚类视图 167
6.5 基于CiteSpace的知识可视化分析 168
6.6 基于作者引用关系的社会复杂网络分析 172
6.7 本章小结 173
7 结语 174
7.1 主要工作 174
7.2 存在的不足 178
7.3 进一步的工作 179
主要参考文献 181