| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 微博谣言分析与新特征提取 | 第16-28页 |
| 2.1 微博谣言概述 | 第16-17页 |
| 2.2 微博文本相关特征 | 第17-19页 |
| 2.2.1 文本特征分析 | 第17-18页 |
| 2.2.2 文本新特征提取 | 第18-19页 |
| 2.3 微博用户相关特征 | 第19-23页 |
| 2.3.1 用户特征分析 | 第20-21页 |
| 2.3.2 用户新特征提取 | 第21-23页 |
| 2.4 微博传播相关特征 | 第23-27页 |
| 2.4.1 传播特征分析 | 第24-25页 |
| 2.4.2 传播新特征提取 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 微博评论情感极性判别及特征值计算 | 第28-43页 |
| 3.1 情感分类研究分析 | 第28-29页 |
| 3.2 结合语义规则的情感极性计算 | 第29-38页 |
| 3.2.1 基于情感词典的统计方法 | 第30页 |
| 3.2.2 构建极性情感词典 | 第30-34页 |
| 3.2.3 结合语义规则的情感极性计算方法 | 第34-38页 |
| 3.3 结合语义规则与机器学习的短文本情感分类方法 | 第38-40页 |
| 3.4 评论情感极性特征值计算 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于集成学习的谣言检测方法 | 第43-53页 |
| 4.1 谣言检测模型分析 | 第43-44页 |
| 4.2 集成分类模型 | 第44-46页 |
| 4.2.1 集成学习 | 第44页 |
| 4.2.2 结合评论极性的CE-Stacking集成方法 | 第44-46页 |
| 4.3 谣言检测框架 | 第46-52页 |
| 4.3.1 数据获取 | 第47-48页 |
| 4.3.2 数据处理 | 第48-50页 |
| 4.3.3 谣言检测 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 实验结果与分析 | 第53-64页 |
| 5.1 实验准备 | 第53-57页 |
| 5.1.1 实验环境 | 第53-54页 |
| 5.1.2 实验数据 | 第54-56页 |
| 5.1.3 评价指标 | 第56-57页 |
| 5.2 情感分类实验及结果分析 | 第57-60页 |
| 5.2.1 结合语义规则的情感极性计算方法实验与结果分析 | 第57-58页 |
| 5.2.2 结合语义规则的机器学习分类方法实验与结果分析 | 第58-60页 |
| 5.3 谣言检测实验及结果分析 | 第60-63页 |
| 5.3.1 新特征的有效性验证与结果分析 | 第60-62页 |
| 5.3.2 集成分类模型的有效性验证与结果分析 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-67页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 研究展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表论文及科研情况 | 第72页 |
