基于社交网络的垃圾用户检测方法分析与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-15页 |
| 1.1 项目背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 基于特征分析 | 第12页 |
| 1.2.2 基于网络传播模型 | 第12-13页 |
| 1.3 研究内容与篇章结构 | 第13-15页 |
| 2 相关技术理论 | 第15-25页 |
| 2.1 深度学习 | 第15-19页 |
| 2.1.1 神经网络概念 | 第15-17页 |
| 2.1.2 深度学习概述 | 第17-19页 |
| 2.2 机器学习 | 第19-22页 |
| 2.2.1 逻辑回归 | 第19页 |
| 2.2.2 支持向量机 | 第19-20页 |
| 2.2.3 决策树 | 第20-22页 |
| 2.3 文本相似度算法 | 第22-24页 |
| 2.3.1 特征词提取 | 第22页 |
| 2.3.2 余弦距离 | 第22-23页 |
| 2.3.3 SimHash算法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于内容的垃圾用户检测 | 第25-43页 |
| 3.1 垃圾信息检测方法 | 第25-27页 |
| 3.1.1 文本分类 | 第25-27页 |
| 3.1.2 文本表示 | 第27页 |
| 3.2 基于CharCNN的文本分类 | 第27-32页 |
| 3.2.1 CharCNN文本分类模型 | 第27-29页 |
| 3.2.2 数据预处理 | 第29-30页 |
| 3.2.3 卷积层 | 第30-31页 |
| 3.2.4 全连接层 | 第31-32页 |
| 3.3 基于序贯概率比的垃圾用户识别 | 第32-36页 |
| 3.3.1 序贯概率比检验 | 第32-34页 |
| 3.3.2 基于高斯分布的序贯概率比模型 | 第34页 |
| 3.3.3 垃圾用户检测算法 | 第34-36页 |
| 3.4 实验与评估 | 第36-41页 |
| 3.4.1 数据集 | 第36页 |
| 3.4.2 分类评价指标 | 第36-37页 |
| 3.4.3 垃圾文本识别 | 第37-41页 |
| 3.4.4 垃圾用户识别 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 基于特征的垃圾用户检测 | 第43-65页 |
| 4.1 特征分析 | 第43-51页 |
| 4.1.1 用户特征 | 第44-45页 |
| 4.1.2 行为特征 | 第45-48页 |
| 4.1.3 关系特征 | 第48-49页 |
| 4.1.4 内容特征 | 第49-51页 |
| 4.2 特征获取 | 第51-56页 |
| 4.2.1 文本预处理 | 第53-54页 |
| 4.2.2 文本相似度计算 | 第54-55页 |
| 4.2.3 关系距离计算 | 第55-56页 |
| 4.3 特征选择 | 第56-59页 |
| 4.3.1 特征选择分类 | 第56-57页 |
| 4.3.2 特征选择流程 | 第57-59页 |
| 4.4 实验与评估 | 第59-64页 |
| 4.4.1 特征选择实验 | 第59-62页 |
| 4.4.2 分类检测实验 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 5 垃圾用户标注及展示系统的实现 | 第65-75页 |
| 5.1 需求分析 | 第65页 |
| 5.2 系统设计 | 第65-71页 |
| 5.2.1 架构设计 | 第66页 |
| 5.2.2 处理流程 | 第66-67页 |
| 5.2.3 模块结构设计 | 第67-69页 |
| 5.2.4 数据库设计 | 第69-71页 |
| 5.3 系统运行效果 | 第71-73页 |
| 5.4 算法对比分析 | 第73页 |
| 5.5 本章小结 | 第73-75页 |
| 6 结论 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第81-85页 |
| 学位论文数据集 | 第85页 |
