| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文研究内容 | 第11-12页 |
| 1.4 论文结构 | 第12-13页 |
| 2 微博垃圾评论识别相关理论和技术 | 第13-25页 |
| 2.1 微博垃圾评论识别概述 | 第13-17页 |
| 2.1.1 微博系统介绍 | 第13-14页 |
| 2.1.2 垃圾评论定义 | 第14-17页 |
| 2.2 微博垃圾评论识别方法 | 第17-21页 |
| 2.2.1 基于人工的识别方法 | 第17-18页 |
| 2.2.2 基于自动的识别方法 | 第18-21页 |
| 2.2.3 其他垃圾评论识别方法 | 第21页 |
| 2.3 文本相似度计算 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于 AdaBoost-LC 的微博垃圾评论识别 | 第25-37页 |
| 3.1 方法的提出 | 第25-26页 |
| 3.2 AdaBoost 算法介绍 | 第26-27页 |
| 3.3 基于 AdaBoost-LC 的微博垃圾评论识别 | 第27-31页 |
| 3.3.1 识别流程 | 第28页 |
| 3.3.2 数据预处理 | 第28页 |
| 3.3.3 特征值提取 | 第28-30页 |
| 3.3.4 线性分类器（Linear Classifier）的设计 | 第30页 |
| 3.3.5 固定移动步长搜索 | 第30-31页 |
| 3.4 实验结果与分析 | 第31-36页 |
| 3.4.1 实验环境与数据源 | 第31-32页 |
| 3.4.2 实验评价指标 | 第32-33页 |
| 3.4.3 实验结果及分析 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于增量学习的微博垃圾评论识别 | 第37-48页 |
| 4.1 AdaBoost-LC 算法存在的问题 | 第37-38页 |
| 4.2 AdaBoost-LC 算法的改进 | 第38-40页 |
| 4.3 基于增量学习的识别机制 | 第40-41页 |
| 4.4 实验结果与分析 | 第41-47页 |
| 4.4.1 与 AdaBoost-LC 算法的比较 | 第42-45页 |
| 4.4.2 基于增量学习机制的实验结果与分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 总结与展望 | 第48-50页 |
| 5.1 全文总结 | 第48-49页 |
| 5.2 下一步工作展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录 | 第55页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第55页 |
