社交平台垃圾信息过滤系统的设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文主要内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第二章 相关理论及技术 | 第13-23页 |
| 2.1 社交平台垃圾信息的定义 | 第13-14页 |
| 2.2 数据爬取策略 | 第14-15页 |
| 2.2.1 网络爬虫 | 第14页 |
| 2.2.2 网页搜索策略 | 第14-15页 |
| 2.2.3 内容提取 | 第15页 |
| 2.3 文本预处理 | 第15-16页 |
| 2.4 特征选择方法 | 第16-19页 |
| 2.5 垃圾信息过滤技术 | 第19-22页 |
| 2.5.1 黑白名单过滤技术 | 第19页 |
| 2.5.2 基于规则的过滤技术 | 第19-20页 |
| 2.5.3 基于机器学习的过滤技术 | 第20-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 垃圾信息过滤算法的研究 | 第23-38页 |
| 3.1 机器学习算法 | 第23-29页 |
| 3.1.1 k近邻算法 | 第23-24页 |
| 3.1.2 逻辑回归算法 | 第24-25页 |
| 3.1.3 支持向量机算法 | 第25-27页 |
| 3.1.4 随机森林算法 | 第27-28页 |
| 3.1.5 神经网络算法 | 第28-29页 |
| 3.2 支持向量机过滤算法的改进 | 第29-32页 |
| 3.2.1 词序列核 | 第30页 |
| 3.2.2 基于句抽取的词序列核 | 第30-31页 |
| 3.2.3 基于词序列核的SVM算法 | 第31-32页 |
| 3.3 实验数据与评价指标 | 第32-34页 |
| 3.3.1 实验数据 | 第32-34页 |
| 3.3.2 评价指标 | 第34页 |
| 3.4 算法比较与分析 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 系统的设计与实现 | 第38-50页 |
| 4.1 系统需求分析 | 第38-39页 |
| 4.1.1 功能需求分析 | 第38页 |
| 4.1.2 性能需求分析 | 第38-39页 |
| 4.2 系统总体设计 | 第39-41页 |
| 4.3 数据预处理模块 | 第41-44页 |
| 4.4 特征选择模块 | 第44-46页 |
| 4.4.1 流程设计 | 第44-45页 |
| 4.4.2 功能实现 | 第45-46页 |
| 4.5 垃圾信息过滤模块 | 第46-49页 |
| 4.5.1 流程设计 | 第46-47页 |
| 4.5.2 功能实现 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 系统的测试及性能评估 | 第50-55页 |
| 5.1 测试环境 | 第50页 |
| 5.2 测试结果与分析 | 第50-54页 |
| 5.2.1 性能评估 | 第50-52页 |
| 5.2.2 功能测试 | 第52-54页 |
| 5.3 系统的优缺点 | 第54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 本文工作总结 | 第55页 |
| 6.2 未来研究展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-59页 |
