社交网络平台中虚拟身份真实性评估技术研究
| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景和意义 | 第13-16页 |
| 1.1.1 社交网络起源与发展 | 第13页 |
| 1.1.2 社交网络影响 | 第13-16页 |
| 1.1.3 用户身份真实性及可信度研究意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 相关问题研究 | 第17-18页 |
| 1.3 面临问题、挑战及本文主要工作 | 第18-20页 |
| 1.4 文章结构 | 第20-22页 |
| 第二章 相关研究 | 第22-33页 |
| 2.1 情感分类 | 第22-23页 |
| 2.1.1 分类器的选择 | 第22-23页 |
| 2.1.2 情感分类常见问题 | 第23页 |
| 2.2 深度学习 | 第23-32页 |
| 2.2.1 深度学习发展概述 | 第24-25页 |
| 2.2.2 神经元及神经网络结构 | 第25-26页 |
| 2.2.3 BP算法 | 第26-28页 |
| 2.2.4 卷积神经网络 | 第28-30页 |
| 2.2.5 循环神经网络 | 第30-31页 |
| 2.2.6 长短时记忆循环神经网 | 第31-32页 |
| 2.3 本章总结 | 第32-33页 |
| 第三章 基于深度学习的用户情感分类模型研究 | 第33-51页 |
| 3.1 微博文本数据表示 | 第33-36页 |
| 3.1.1 文本清洗 | 第33页 |
| 3.1.2 分词及向量化表示 | 第33-36页 |
| 3.2 基于深度学习的文本情感分类器设计 | 第36-47页 |
| 3.2.1 融合极性转移的双向LSTM模型 | 第36-39页 |
| 3.2.2 Bi-LSTM神经元传导分析与计算 | 第39-41页 |
| 3.2.3 基于平滑处理的情感分类校正模块 | 第41-42页 |
| 3.2.4 激活函数选择 | 第42-46页 |
| 3.2.5 损失函数说明 | 第46-47页 |
| 3.3 实验及分析 | 第47-50页 |
| 3.3.1 实验环境 | 第47-48页 |
| 3.3.2 数据获取与预处理 | 第48-49页 |
| 3.3.3 实验与分析 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 用户可信度评估模型研究 | 第51-64页 |
| 4.1 最大熵模型原理 | 第51页 |
| 4.2 特征分析与选择 | 第51-59页 |
| 4.2.1 特征分析 | 第52-54页 |
| 4.2.2 特征提取 | 第54-56页 |
| 4.2.3 用户情感波动分析 | 第56-58页 |
| 4.2.4 用户发文行为规律分析 | 第58-59页 |
| 4.3 分类器设计 | 第59-61页 |
| 4.3.1 最大熵分类器 | 第59-61页 |
| 4.4 实验与分析 | 第61-63页 |
| 4.4.1 实验准备 | 第61页 |
| 4.4.2 实验评估指标 | 第61-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者在学期间取得的学术成果 | 第70页 |
