O2O场景下的反作弊分析模型的设计与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.1.1 课题背景 | 第8页 |
| 1.1.2 O2O市场面临的问题 | 第8-9页 |
| 1.2 课题研究的目的及意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-12页 |
| 1.3.1 O2O公司的反作弊机构设置 | 第10页 |
| 1.3.2 线上反作弊策略现状 | 第10-12页 |
| 1.4 本文主要研究内容 | 第12-13页 |
| 1.4.1 Page Rank算法 | 第12-13页 |
| 1.4.2 预测无种子用户的作弊行为 | 第13页 |
| 1.4.3 数据可视化及生成报表 | 第13页 |
| 1.5 本文的结构安排 | 第13-15页 |
| 第2章 模型总体架构 | 第15-19页 |
| 2.1 课题目标 | 第15-16页 |
| 2.2 作弊用户的计算 | 第16页 |
| 2.3 健康度监测 | 第16-18页 |
| 2.4 反作弊报表的产出以及与线下部门的交互 | 第18-19页 |
| 第3章 基于Bad Rank的权值传播模型 | 第19-36页 |
| 3.1 Page Rank模型 | 第19-24页 |
| 3.1.1 Bad Rank模型 | 第22-23页 |
| 3.1.2 Trust Rank模型 | 第23-24页 |
| 3.2 类Bad Rank的高危用户生成模型 | 第24-30页 |
| 3.2.1 用户图的特征及节点的选择 | 第25-26页 |
| 3.2.2 高危用户的产生 | 第26页 |
| 3.2.3 用户共现关系的确定 | 第26-29页 |
| 3.2.4 无向图中的类Bad Rank算法 | 第29-30页 |
| 3.2.5 对于有权图的支持 | 第30页 |
| 3.3 白名单的产生和与白名单效果验证 | 第30-31页 |
| 3.4 实验结果及评价 | 第31-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于无监督机器学习的用户聚类方法 | 第36-41页 |
| 4.1 聚类的目的和意义 | 第36页 |
| 4.2 无监督机器学习 | 第36-38页 |
| 4.3 用户聚类模型的建立 | 第38-40页 |
| 4.3.1 用户聚类的特征选择 | 第38-39页 |
| 4.3.2 机器学习模型的选择 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 数据平台的开发 | 第41-48页 |
| 5.1 数据可视化的意义 | 第41页 |
| 5.2 数据平台的设计与实现 | 第41-44页 |
| 5.2.1 数据库的设计与实现 | 第42页 |
| 5.2.2 网站前端及API的设计与实现 | 第42-44页 |
| 5.3 结果展示 | 第44-46页 |
| 5.4 本章小结 | 第46-48页 |
| 结论 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 附录A | 第53-59页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第59-61页 |
| 致谢 | 第61页 |
