| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 虚假评论识别研究现状 | 第10-12页 |
| 1.2.2 半监督学习算法研究现状 | 第12-14页 |
| 1.3 任务的难点和本文研究思路 | 第14-15页 |
| 1.4 本文研究内容及结构安排 | 第15-16页 |
| 第2章 虚假评论识别传统方法实验与分析 | 第16-31页 |
| 2.1 引言 | 第16-17页 |
| 2.2 实验数据集与评价指标 | 第17-19页 |
| 2.2.1 实验数据集介绍 | 第17-18页 |
| 2.2.2 实验评价指标 | 第18-19页 |
| 2.3 传统方法的特征提取与模型介绍 | 第19-27页 |
| 2.3.1 特征提取 | 第19-24页 |
| 2.3.2 传统方法模型介绍 | 第24-27页 |
| 2.4 实验设置与结果分析 | 第27-30页 |
| 2.4.1 基线方法 | 第27-28页 |
| 2.4.2 特征组合与分类器选择实验 | 第28-29页 |
| 2.4.3 实验结果分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于深度学习模型的虚假评论识别 | 第31-59页 |
| 3.1 引言 | 第31页 |
| 3.2 数据集及深度学习相关技术介绍 | 第31-40页 |
| 3.2.1 数据集介绍 | 第32-36页 |
| 3.2.2 相关深度学习技术 | 第36-40页 |
| 3.3 基于深度学习模型的虚假评论识别 | 第40-51页 |
| 3.3.1 模型输入之词向量 | 第40-43页 |
| 3.3.2 未登录词处理 | 第43-44页 |
| 3.3.3 基于LSTM的模型构建 | 第44-46页 |
| 3.3.4 基于CNN的模型构建 | 第46-50页 |
| 3.3.5 基于CNN和LSTM的模型构建 | 第50-51页 |
| 3.4 融合ATTENTION机制的虚假评论识别 | 第51-58页 |
| 3.4.1 注意力（Attention）机制 | 第51-54页 |
| 3.4.2 基于Attention机制的LSTM的模型构建 | 第54-55页 |
| 3.4.3 基于Attention机制的LSTM和CNN混合模型构建 | 第55-56页 |
| 3.4.4 实验结果与分析 | 第56-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第4章 虚假评论检测系统的设计与实现 | 第59-72页 |
| 4.1 引言 | 第59页 |
| 4.2 虚假评论检测系统总体设计与模块化框架 | 第59-61页 |
| 4.2.1 系统功能设计 | 第59-60页 |
| 4.2.2 系统模块设计 | 第60-61页 |
| 4.3 虚假评论检测系统模块详细设计 | 第61-67页 |
| 4.3.1 爬虫处理模块 | 第61-63页 |
| 4.3.2 语料扩充模块 | 第63-65页 |
| 4.3.3 虚假评论检测模块 | 第65-67页 |
| 4.4 虚假评论检测系统功能展示 | 第67-71页 |
| 4.5 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第79-81页 |
| 致谢 | 第81-82页 |
| 个人简历 | 第82页 |