| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文主要研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第2章 产品评论的虚假分析及相关工作 | 第14-23页 |
| 2.1 文本情感分析 | 第14-16页 |
| 2.2 产品评论的虚假分析 | 第16-18页 |
| 2.3 相关的主要方法 | 第18-22页 |
| 2.3.1 遗传算法基本概念及整体框架 | 第18-19页 |
| 2.3.2 图谱聚类算法 | 第19-20页 |
| 2.3.3 基于最大熵模型的聚类算法 | 第20-21页 |
| 2.3.4 基于Co-Training算法的虚假评论识别 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于遗传算法的产品虚假评价特征选择 | 第23-33页 |
| 3.1 引言 | 第23页 |
| 3.2 虚假产品评论的特征分析 | 第23-25页 |
| 3.3 基于遗传算法的虚假评论特征提取 | 第25-30页 |
| 3.3.1 个体基因的编码与染色体重新编码 | 第25-26页 |
| 3.3.2 logistic回归分类 | 第26-27页 |
| 3.3.3 适应度函数 | 第27页 |
| 3.3.4 遗传操作 | 第27-30页 |
| 3.4 实验结果分析 | 第30-32页 |
| 3.4.1 数据来源 | 第30页 |
| 3.4.2 实验结果分析 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 跨领域虚假产品评论的识别方法 | 第33-41页 |
| 4.1 问题陈述 | 第33页 |
| 4.2 基于迁移学习的跨领域虚假评论识别方法 | 第33-38页 |
| 4.2.1 迁移学习 | 第33-34页 |
| 4.2.2 文档的相似性度量方法 | 第34-35页 |
| 4.2.3 空间映射函数 | 第35-36页 |
| 4.2.4 虚假产品评论识别算法 | 第36-38页 |
| 4.3 实验结果与分析 | 第38-40页 |
| 4.3.1 实验数据来源 | 第38-39页 |
| 4.3.2 实验评价标准 | 第39页 |
| 4.3.3 实验设计及结果分析 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 跨领域产品虚假评论识别的原型系统设计与实现 | 第41-48页 |
| 5.1 问题陈述 | 第41-42页 |
| 5.2 系统整体框架设计 | 第42-44页 |
| 5.3 系统实现的效果展示 | 第44-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第6章 总结与展望 | 第48-50页 |
| 6.1 本文总结 | 第48页 |
| 6.2 未来工作展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-58页 |
| 附录 | 第58页 |