基于深度学习的欺骗性垃圾信息识别研究
| 论文摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-15页 |
| ·背景介绍 | 第11-12页 |
| ·相关研究 | 第12-13页 |
| ·本文主要工作 | 第13-14页 |
| ·论文组织与结构 | 第14-15页 |
| 第二章 数据及特征提取 | 第15-21页 |
| ·标准数据集介绍 | 第15-16页 |
| ·虚假好评数据 | 第15页 |
| ·真实好评数据 | 第15-16页 |
| ·虚假差评数据 | 第16页 |
| ·真实差评数据 | 第16页 |
| ·关于特征选择 | 第16-20页 |
| ·特征提取 | 第20页 |
| ·本章小结 | 第20-21页 |
| 第三章 深度学习分类器构建 | 第21-32页 |
| ·人工神经网络及BP算法简介 | 第21-25页 |
| ·人工神经网络简介 | 第21-22页 |
| ·BP算法简介 | 第22-24页 |
| ·神经网络模型训练技巧及本质理解 | 第24-25页 |
| ·深度学习简介 | 第25-27页 |
| ·本文采用和实现的深度学习模型 | 第27-31页 |
| ·简单神经网络 | 第27页 |
| ·DBN-DNN网络 | 第27-28页 |
| ·本文实现的LBP网络 | 第28-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 实验及分析 | 第32-42页 |
| ·基于正面评论数据集的实验及对比分析 | 第32-37页 |
| ·基于负面评论数据集的实验及对比分析 | 第37-39页 |
| ·综合实验及对比分析 | 第39-40页 |
| ·一些观察与结论 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第五章 总结与展望 | 第42-44页 |
| ·本文工作总结 | 第42页 |
| ·未来工作展望 | 第42-44页 |
| 参考文献 | 第44-47页 |
| 附录 | 第47-48页 |
| 致谢 | 第48页 |
