基于多维特征与深度学习的虚假评论识别研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 传统机器学习方法识别虚假评论 | 第11-13页 |
| 1.2.2 深度学习方法识别虚假评论 | 第13页 |
| 1.3 研究内容与创新点 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关技术概述 | 第16-24页 |
| 2.1 特征提取技术 | 第16-20页 |
| 2.1.1 N-gram模型 | 第16-17页 |
| 2.1.2 LDA主题模型 | 第17-18页 |
| 2.1.3 Word2Vec模型 | 第18-20页 |
| 2.2 传统机器学习算法概述 | 第20页 |
| 2.2.1 逻辑回归 | 第20页 |
| 2.2.2 支持向量机 | 第20页 |
| 2.2.3 随机森林 | 第20页 |
| 2.3 深度学习算法 | 第20-23页 |
| 2.3.1 卷积神经网络 | 第20-21页 |
| 2.3.2 循环神经网络 | 第21-23页 |
| 2.3.3 长短期记忆网络 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 特征提取与多维特征指标构建 | 第24-34页 |
| 3.1 评论数据集 | 第24-27页 |
| 3.1.1 评论数据介绍 | 第24-25页 |
| 3.1.2 评论数据统计分析 | 第25-27页 |
| 3.2 特征分析与提取 | 第27-32页 |
| 3.2.1 基于文本内容的特征分析与提取 | 第27-30页 |
| 3.2.2 基于用户行为的特征分析与提取 | 第30-32页 |
| 3.3 多维特征指标构建 | 第32-33页 |
| 3.3.1 文本特征指标构建 | 第32-33页 |
| 3.3.2 行为特征指标构建 | 第33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于传统方法的虚假评论识别 | 第34-41页 |
| 4.1 实验环境 | 第34页 |
| 4.2 评价指标 | 第34-35页 |
| 4.3 多维特征模型构建 | 第35页 |
| 4.3.1 数据预处理 | 第35页 |
| 4.3.2 多维特征指标组合 | 第35页 |
| 4.4 实验设计与结果分析 | 第35-40页 |
| 4.4.1 实验数据 | 第35-36页 |
| 4.4.2 模型描述 | 第36页 |
| 4.4.3 实验结果与分析 | 第36-40页 |
| 4.4.4 词汇分析 | 第40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 基于深度学习的虚假评论识别 | 第41-52页 |
| 5.1 技术背景 | 第41页 |
| 5.2 实验环境 | 第41-42页 |
| 5.3 评价指标 | 第42页 |
| 5.4 DF-HAN模型构建 | 第42-47页 |
| 5.4.1 特征提取 | 第42-43页 |
| 5.4.2 GRU | 第43页 |
| 5.4.3 Attention机制 | 第43-44页 |
| 5.4.4 DF-HAN模型框架 | 第44-47页 |
| 5.5 实验设计与结果分析 | 第47-51页 |
| 5.5.1 实验数据 | 第47页 |
| 5.5.2 分类模型概述 | 第47-48页 |
| 5.5.3 实验结果 | 第48-49页 |
| 5.5.4 参数分析 | 第49-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间发表的论文 | 第59页 |
