微博恶意用户识别
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第13-18页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究意义 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-17页 |
| 1.4 论文主要内容 | 第17-18页 |
| 2 主要技术和基本理论 | 第18-30页 |
| 2.1 微博基础研究 | 第18-21页 |
| 2.1.1 微博相关概念 | 第18-19页 |
| 2.1.2 微博的传播特点 | 第19页 |
| 2.1.3 微博社交模式 | 第19-21页 |
| 2.2 博弈论基础研究 | 第21-23页 |
| 2.2.1 博弈论相关概念 | 第21页 |
| 2.2.2 博弈论的分类 | 第21-22页 |
| 2.2.3 博弈论的相关定义 | 第22-23页 |
| 2.3 机器学习 | 第23-27页 |
| 2.3.1 基本概念 | 第23-24页 |
| 2.3.2 支持向量机 | 第24-26页 |
| 2.3.3 基于随机游走的标签分类 | 第26-27页 |
| 2.4 蚁群算法 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 3 微博恶意用户行为策略研究 | 第30-39页 |
| 3.1 微博用户样本收集 | 第30-33页 |
| 3.1.1 建立主动型微博蜜罐 | 第30-31页 |
| 3.1.2 使用爬虫程序 | 第31-32页 |
| 3.1.3 购买粉丝 | 第32页 |
| 3.1.4 关键词搜索 | 第32-33页 |
| 3.2 恶意用户分类 | 第33-34页 |
| 3.2.1 激进策略恶意用户 | 第33-34页 |
| 3.2.2 谨慎策略恶意用户 | 第34页 |
| 3.3 恶意用户特征分析 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于博弈论的微博用户谨慎度 | 第39-54页 |
| 4.1 谨慎度 | 第39-40页 |
| 4.2 用户行为博弈模型 | 第40-44页 |
| 4.3 基于谨慎度的用户行为博弈模型 | 第44-45页 |
| 4.4 用户谨慎度的求解 | 第45-46页 |
| 4.5 基于谨慎度的参数调整 | 第46-49页 |
| 4.5.1 响应率 | 第47-48页 |
| 4.5.2 聚类系数 | 第48-49页 |
| 4.6 相关实验与结果分析 | 第49-52页 |
| 4.7 本章小结 | 第52-54页 |
| 5 基于CARW算法的微博恶意用户识别 | 第54-74页 |
| 5.1 群体随机游走算法框架搭建 | 第54-57页 |
| 5.1.1 微博恶意用户识别问题刻画 | 第54-56页 |
| 5.1.2 群体随机游走模型 | 第56-57页 |
| 5.2 微博用户关系强度 | 第57-62页 |
| 5.2.1 链接相关度 | 第58-59页 |
| 5.2.2 文本相似度 | 第59-60页 |
| 5.2.3 行为相似度 | 第60-61页 |
| 5.2.4 微博用户关系强度 | 第61-62页 |
| 5.3 基于置信度的多蚁群随机游走分类算法 | 第62-69页 |
| 5.3.1 多蚁群随机游走建模 | 第62-64页 |
| 5.3.2 多蚁群随机游走分类算法 | 第64-68页 |
| 5.3.3 基于置信度的多蚁群随机游走 | 第68-69页 |
| 5.4 利用CARW算法识别微博恶意用户 | 第69-71页 |
| 5.5 相关实验与结果分析 | 第71-73页 |
| 5.6 本章小结 | 第73-74页 |
| 6 总结与展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第79-81页 |
| 学位论文数据集 | 第81页 |
