面向微博谣言的检测方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 课题背景及研究目的和意义 | 第8-11页 |
| 1.1.1 课题背景 | 第8-9页 |
| 1.1.2 课题研究的目的和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.2.3 国内外研究现状简析 | 第14-15页 |
| 1.3 本文研究内容及章节安排 | 第15-17页 |
| 1.3.1 本文研究内容 | 第15页 |
| 1.3.2 本文章节安排 | 第15-17页 |
| 第2章 传统机器学习方法在谣言检测中的应用 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 特征工程 | 第17-19页 |
| 2.3 机器学习方法 | 第19-21页 |
| 2.4 实验与分析 | 第21-26页 |
| 2.4.1 语料库建设 | 第21-23页 |
| 2.4.2 评价指标 | 第23-24页 |
| 2.4.3 实验结果与分析 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于时间序列网络的谣言检测 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 基于LSTM,GRU的微博文本表示 | 第27-34页 |
| 3.2.1 LSTM网络介绍 | 第27-32页 |
| 3.2.2 GRU网络介绍 | 第32页 |
| 3.2.3 LSTM,GRU微博文本表示 | 第32-34页 |
| 3.3 基于注意力模型的评论表示 | 第34-40页 |
| 3.3.1 注意力模型介绍 | 第34-36页 |
| 3.3.2 评论表示 | 第36-40页 |
| 3.4 实验与分析 | 第40-42页 |
| 3.4.1 词向量获取 | 第40-41页 |
| 3.4.2 实验结果与分析 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于记忆神经网络的谣言检测 | 第43-50页 |
| 4.1 引言 | 第43页 |
| 4.2 基于记忆神经网络的评论表示 | 第43-47页 |
| 4.2.1 记忆神经网络介绍 | 第43-45页 |
| 4.2.2 评论表示 | 第45-47页 |
| 4.3 融合特征的表示学习 | 第47页 |
| 4.4 实验与分析 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读学位期间发表的学术论文 | 第56-58页 |
| 致谢 | 第58页 |
