| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-17页 |
| ·研究背景和研究意义 | 第9页 |
| ·垃圾短信的概述 | 第9-11页 |
| ·垃圾短信的定义 | 第9页 |
| ·垃圾短信的主要形式 | 第9-11页 |
| ·垃圾短信的主要特征 | 第11页 |
| ·课题研究现状 | 第11-14页 |
| ·国外垃圾短信的整治措施 | 第11-12页 |
| ·国内垃圾短信的整治情况 | 第12-13页 |
| ·现有判断垃圾短信机制 | 第13-14页 |
| ·主要研究内容 | 第14页 |
| ·论文结构 | 第14-17页 |
| 2 短消息内容智能分析关键技术 | 第17-29页 |
| ·关键字匹配技术 | 第17-19页 |
| ·WM 算法概述 | 第17页 |
| ·WM 算法预处理 | 第17-18页 |
| ·文本扫描过程 | 第18-19页 |
| ·中文分词方法 | 第19-20页 |
| ·基于字符串匹配的分词方法 | 第19页 |
| ·基于规则的分词方法 | 第19页 |
| ·基于统计的分词方法 | 第19-20页 |
| ·文本表示方式 | 第20-21页 |
| ·向量空间模型定义 | 第20页 |
| ·特征权重表示方法 | 第20-21页 |
| ·特征选择方法 | 第21-24页 |
| ·信息增益(Information Gain,IG) | 第22页 |
| ·期望交叉熵(Expected cross entropy,ECE) | 第22页 |
| ·互信息(Mutual Information,MI) | 第22-23页 |
| ·χ~2统计量(CHK) | 第23页 |
| ·文本证据权(Weight of Evidence for Text,WET) | 第23-24页 |
| ·文本分类算法 | 第24-28页 |
| ·朴素贝叶斯（Na?ve Bayes）算法 | 第24-25页 |
| ·支持向量机（Support Vector Machine） | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 3 短消息智能分析系统设计 | 第29-39页 |
| ·系统体系结构 | 第29-30页 |
| ·C/S 模式与B/S 模式的比较分析 | 第29页 |
| ·B/S 模式的优势 | 第29-30页 |
| ·系统网络结构 | 第30-32页 |
| ·系统软件结构 | 第32-36页 |
| ·系统处理流程 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 4 短消息智能分析系统实现 | 第39-59页 |
| ·流量门限处理模块 | 第39-45页 |
| ·关键字处理模块 | 第45-51页 |
| ·内容智能分析模块 | 第51-57页 |
| ·本章小结 | 第57-59页 |
| 5 实验与结果分析 | 第59-65页 |
| ·实验环境 | 第59页 |
| ·训练短信集与测试短信集的构建 | 第59页 |
| ·评价指标和准则 | 第59-60页 |
| ·系统运行界面 | 第60-62页 |
| ·实验与分析 | 第62-64页 |
| ·特征选择对比实验 | 第62页 |
| ·支持向量机核函数对比实验 | 第62-63页 |
| ·分类算法对比实验 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 6 总结与展望 | 第65-67页 |
| ·总结 | 第65-66页 |
| ·研究工作展望 | 第66-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第71页 |
