基于用户行为分析的作弊预警模型研究与实现

摘要	第4-6页
abstract	第6-7页
第一章 绪论	第11-18页
1.1 研究工作的背景和意义	第11-13页
1.2 国内外研究现状和发展趋势	第13-16页
1.2.1 基于用户行为信息的数据采集	第14页
1.2.2 基于用户行为的算法及模型研究	第14-15页
1.2.3 基于用户行为分析的应用	第15-16页
1.3 论文主要工作和创新点	第16页
1.4 本论文的结构安排	第16-18页
第二章 相关技术介绍	第18-32页
2.1 机器学习及分类	第18-19页
2.2 异常检测及相关算法	第19-28页
2.2.1 基于分布模型的异常检测算法	第20-21页
2.2.2 基于邻近度的异常检测算法	第21-23页
2.2.3 基于密度的异常检测算法	第23-26页
2.2.4 基于聚类的异常检测算法	第26-28页
2.3 相似性分析和常见度量模型	第28-31页
2.3.1 相似性度量及数据表示	第28页
2.3.2 相似性度量性质	第28-29页
2.3.3 定量的相似性度量方式	第29-30页
2.3.4 定性的相似性度量方式	第30-31页
2.4 本章小结	第31-32页
第三章 基于相似度的用户提交文件分析	第32-43页
3.1 问题的提出和相关工作	第32-33页
3.2 针对文本和时间序列的相似性度量	第33-36页
3.2.1 文本分析中的相似性度量	第33-35页
3.2.2 基于时间序列的相似性度量	第35-36页
3.3 基于相似度的用户提交结果分析	第36-39页
3.3.1 用户提交特征提取	第36-37页
3.3.2 基于结果提交文件的相似性分析方法	第37-38页
3.3.3 基于成绩变动趋势的相似性分析方法	第38-39页
3.4 实验设计	第39-41页
3.4.1 数据集	第39页
3.4.2 结果提交文件分析实验设计	第39-41页
3.4.3 成绩变动趋势分析实验设计	第41页
3.5 本章小结	第41-43页
第四章 基于多特征的用户行为分析	第43-57页
4.1 问题的提出和相关工作	第43-44页
4.2 基于访问行为和结果提交的用户行为分析	第44-45页
4.3 作弊预警模型框架描述及数据预处理	第45-49页
4.3.1 作弊预警模型框架描述	第45-47页
4.3.2 用户数据处理	第47-49页
4.4 基于用户行为分析的作弊预警模型详述	第49-55页
4.4.1 行为变量提取及计算	第49-51页
4.4.2 基于提交文件及成绩序列的疑似用户输出	第51-52页
4.4.3 作弊预警模型算法描述	第52-55页
4.5 本章小结	第55-57页
第五章 作弊预警模型实现与结果分析	第57-77页
5.1 作弊预警模型实验环境及框架概述	第57-58页
5.2 数据处理条件及过程	第58-60页
5.2.1 用户访问行为数据采集	第58-59页
5.2.2 成绩数据及变动趋势序列处理	第59-60页
5.3 实验结果及分析	第60-73页
5.3.1 实验前置条件	第60-61页
5.3.2 基于统计的用户实证分析	第61-65页
5.3.3 提交文件相似性分析	第65-68页
5.3.4 成绩变化趋势结果分析	第68-72页
5.3.5 各特征对作弊预警模型的影响对比	第72-73页
5.4 作弊预警模型有效性及普适性分析	第73-75页
5.4.1 作弊预警模型有效性分析	第73-74页
5.4.2 作弊预警模型普适性分析	第74-75页
5.4.3 作弊预警模型输出结果优化	第75页
5.5 本章小结	第75-77页
第六章 总结与展望	第77-79页
6.1 本文工作总结	第77-78页
6.2 未来工作展望	第78-79页
致谢	第79-80页
参考文献	第80-84页
攻读硕士学位期间取得的成果	第84页