社交网络下的垃圾信息过滤技术的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·课题研究的目的和意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·本文研究的主要内容 | 第13-14页 |
| ·论文组织结构 | 第14-15页 |
| 第2章 社交平台下垃圾信息过滤技术概述 | 第15-25页 |
| ·微博传播的特性 | 第15-16页 |
| ·过滤垃圾微博方法 | 第16-18页 |
| ·用户举报人工审核 | 第17页 |
| ·基于规则和模式匹配的过滤方法 | 第17-18页 |
| ·基于统计机器学习的过滤方法 | 第18页 |
| ·统计学习理论的过滤方法框架 | 第18-19页 |
| ·机器学习方法 | 第19-22页 |
| ·逻辑回归 | 第19页 |
| ·支持向量机 | 第19-21页 |
| ·随机森林 | 第21-22页 |
| ·实验数据集以及评价指标 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 面向微博过滤的特征设计 | 第25-37页 |
| ·用户行为特征 | 第25-29页 |
| ·社交网络关系图 | 第25-26页 |
| ·关注、好友、用户名誉度 | 第26页 |
| ·微博中的信息传递 | 第26-27页 |
| ·信息传播图的生成 | 第27-29页 |
| ·用户内容特征 | 第29-33页 |
| ·提及与话题标签 | 第29-31页 |
| ·URL 特征 | 第31-32页 |
| ·文本相似性特征 | 第32页 |
| ·时间间隔与发布平台 | 第32-33页 |
| ·转发与评论特征 | 第33页 |
| ·数据分析 | 第33-35页 |
| ·实验评价 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 基于在线主动学习的垃圾微博检测 | 第37-47页 |
| ·基于在线学习的垃圾微博过滤框架 | 第37-38页 |
| ·在线机器学习方法 | 第38-41页 |
| ·在线逻辑回归算法 | 第38-39页 |
| ·在线支持向量机算法 | 第39-41页 |
| ·在线主动学习 | 第41-44页 |
| ·b-Sampling 采样方法 | 第42-43页 |
| ·逻辑间隔的采样方法 | 第43-44页 |
| ·固定间隔采样方法 | 第44页 |
| ·实验评价 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第5章 社交网络中僵尸账号检测的研究 | 第47-54页 |
| ·微博中的僵尸账号 | 第47-48页 |
| ·序贯概率比检验 | 第48页 |
| ·僵尸账号检测问题的形式化 | 第48-50页 |
| ·微博僵尸检测框架 | 第50-52页 |
| ·实验评价 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的学术论文 | 第59-60页 |
| 致谢 | 第60页 |
