移动互联网垃圾即时消息检测算法研究
摘要 | 第5-6页 |
abstract | 第6-7页 |
第1章 绪论 | 第10-16页 |
1.1 研究背景和意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-14页 |
1.2.1 网络监控技术 | 第11-13页 |
1.2.2 文本分类算法 | 第13-14页 |
1.3 论文的主要工作 | 第14-16页 |
第2章 基于朴素贝叶斯算法的垃圾即时消息检测 | 第16-34页 |
2.1 即时消息检测总体设计 | 第16-17页 |
2.2 预处理 | 第17-20页 |
2.2.1 分词设计 | 第17-19页 |
2.2.2 去除停用词 | 第19-20页 |
2.3 特征选择 | 第20-21页 |
2.4 文本表示 | 第21-24页 |
2.4.1 特征加权 | 第21-23页 |
2.4.2 表示模型 | 第23-24页 |
2.5 垃圾即时消息检测方法的设计与实现 | 第24-28页 |
2.5.1 基于朴素贝叶斯的分类器设计 | 第24-26页 |
2.5.2 贝叶斯分类器实现 | 第26-28页 |
2.6 评价指标 | 第28-29页 |
2.7 实验及分析 | 第29-33页 |
2.7.1 实验环境设置 | 第29页 |
2.7.2 实验内容与结果分析 | 第29-33页 |
2.8 本章小结 | 第33-34页 |
第3章 基于深度信念网络的垃圾即时消息检测 | 第34-57页 |
3.1 DBN垃圾即时消息检测算法总流程 | 第34-35页 |
3.2 垃圾即时消息预处理与特征提取 | 第35-41页 |
3.2.1 垃圾即时消息预处理 | 第35-37页 |
3.2.2 特征提取 | 第37-38页 |
3.2.3 文本向量表示 | 第38-41页 |
3.3 DBN分类模型设计 | 第41-42页 |
3.3.1 DBN分类模型的结构 | 第41-42页 |
3.3.2 DBN分类模型的算法设计 | 第42页 |
3.4 RBM训练 | 第42-49页 |
3.4.1 受限玻尔兹曼机 | 第43-48页 |
3.4.2 RBM训练算法 | 第48-49页 |
3.5 Softmax分类器 | 第49页 |
3.6 构造DBN分类器 | 第49-52页 |
3.6.1 预训练(pre-training) | 第50-51页 |
3.6.2 网络微调(fine-tuning) | 第51-52页 |
3.7 实验及分析 | 第52-56页 |
3.7.1 实验环境设置 | 第52页 |
3.7.2 实验内容与结果分析 | 第52-56页 |
3.8 本章小结 | 第56-57页 |
第4章 总结与展望 | 第57-59页 |
4.1 工作总结 | 第57页 |
4.2 展望 | 第57-59页 |
参考文献 | 第59-62页 |
致谢 | 第62页 |