推特中的文本污染信息过滤方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 单词规范化 | 第14-15页 |
| 1.2.2 垃圾推文过滤 | 第15-16页 |
| 1.2.3 词向量表示 | 第16-17页 |
| 1.3 本文主要工作 | 第17页 |
| 1.4 论文章节安排 | 第17-19页 |
| 第二章 相关理论技术基础 | 第19-30页 |
| 2.1 推特介绍 | 第19-20页 |
| 2.1.1 相关名词和符号 | 第19页 |
| 2.1.2 推文的特点 | 第19-20页 |
| 2.2 词向量模型 | 第20-26页 |
| 2.2.1 Word2Vector模型 | 第21-23页 |
| 2.2.2 GloVe模型 | 第23-26页 |
| 2.3 人工神经网络技术 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 推文中的单词规范化方法研究 | 第30-48页 |
| 3.1 研究背景 | 第30页 |
| 3.2 推文中的不规范单词分析 | 第30-33页 |
| 3.3 结合语义信息的不规范单词处理方法 | 第33-41页 |
| 3.3.1 单词语义信息提取 | 第33-36页 |
| 3.3.2 错误单词处理方法 | 第36-41页 |
| 3.4 实验及方法性能评估 | 第41-47页 |
| 3.4.1 不规范单词检测测试 | 第42-44页 |
| 3.4.2 单词规范化方法测试 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 垃圾推文过滤方法研究 | 第48-65页 |
| 4.1 研究背景 | 第48页 |
| 4.2 卷积神经网络分类模型 | 第48-50页 |
| 4.3 基于卷积神经网络的推文过滤方法 | 第50-55页 |
| 4.3.1 基本分类模型 | 第50-52页 |
| 4.3.2 分类模型的改进 | 第52-55页 |
| 4.4 实验及方法性能评估 | 第55-64页 |
| 4.4.1 实验数据预处理 | 第56-57页 |
| 4.4.2 实验评估指标 | 第57-58页 |
| 4.4.3 实验结果分析 | 第58-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 工作总结 | 第65-66页 |
| 5.2 工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
