基于相似度的PU文本分类算法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.2 本文主要研究内容 | 第16-17页 |
| 1.2.1 课题来源 | 第16-17页 |
| 1.2.2 主要研究内容 | 第17页 |
| 1.3 组织框架 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 PU分类及虚假评论识别综述 | 第19-25页 |
| 2.1 PU分类综述 | 第20-22页 |
| 2.1.1 PU分类问题介绍 | 第20页 |
| 2.1.2 经典的PU分类算法 | 第20-21页 |
| 2.1.3 评价标准 | 第21-22页 |
| 2.2 虚假评论识别综述 | 第22-24页 |
| 2.2.1 虚假评论问题介绍 | 第22-23页 |
| 2.2.2 经典的虚假评论识别方法 | 第23-24页 |
| 2.2.3 评价标准 | 第24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于相似度的PU文本分类方法研究 | 第25-38页 |
| 3.1 引言 | 第25-26页 |
| 3.2 技术基础 | 第26-28页 |
| 3.2.1 Auto-KL算法 | 第26-27页 |
| 3.2.2 集成学习 | 第27页 |
| 3.2.3 多核SVM分类算法 | 第27-28页 |
| 3.3 基于相似度的PU分类算法 | 第28-33页 |
| 3.3.1 抽取可靠正反例 | 第28-30页 |
| 3.3.2 计算代表性样例 | 第30页 |
| 3.3.3 确定间谍样本标签 | 第30-33页 |
| 3.3.4 建立最终分类器 | 第33页 |
| 3.4 实验与性能分析 | 第33-36页 |
| 3.4.1 实验数据集描述 | 第33-34页 |
| 3.4.2 实验结果和分析 | 第34-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 基于相似度PU分类的虚假评论识别方法研究 | 第38-50页 |
| 4.1 引言 | 第38-39页 |
| 4.2 技术基础 | 第39-40页 |
| 4.2.1 DPMM算法 | 第39页 |
| 4.2.2 半监督学习 | 第39-40页 |
| 4.3 基于相似度PU分类的虚假评论识别算法 | 第40-44页 |
| 4.3.1 抽取虚假评论 | 第40-41页 |
| 4.3.2 计算代表性评论样例 | 第41-42页 |
| 4.3.3 确定间谍评论标签 | 第42-44页 |
| 4.3.4 构建PU分类器 | 第44页 |
| 4.4 实验与性能分析 | 第44-48页 |
| 4.4.1 实验数据集描述 | 第45页 |
| 4.4.2 实验结果和分析 | 第45-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 结束语 | 第50-51页 |
| 5.1 工作总结 | 第50页 |
| 5.2 工作展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第56-57页 |
