基于融合分类器的垃圾评论识别方法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-12页 |
| ·课题研究背景及意义 | 第8页 |
| ·国内外相关研究现状 | 第8-10页 |
| ·现有垃圾评论的识别和过滤技术存在的问题 | 第10页 |
| ·本文的研究内容与组织结构 | 第10-12页 |
| 第二章 文本分类内容简介 | 第12-22页 |
| ·文本分类的关键技术 | 第12-15页 |
| ·文本分词 | 第12-14页 |
| ·去除停用词 | 第14-15页 |
| ·文本表示模型 | 第15-16页 |
| ·文本特征提取 | 第16-19页 |
| ·特征提取的方法 | 第16-18页 |
| ·特征权重算法 | 第18-19页 |
| ·文本分类算法 | 第19-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 基于贝叶斯的分类模型 | 第22-35页 |
| ·贝叶斯定理 | 第22-24页 |
| ·朴素贝叶斯分类模型 | 第24-26页 |
| ·基于朴素贝叶斯的垃圾评论过滤算法 | 第26-29页 |
| ·基于强特征提取的朴素贝叶斯模型 | 第29-34页 |
| ·Web 评论的特点 | 第29-30页 |
| ·垃圾评论的定义 | 第30-31页 |
| ·垃圾评论中强特征的匹配 | 第31-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于自适应反馈学习的过滤机制 | 第35-43页 |
| ·反馈学习的基本思想 | 第35-37页 |
| ·一般反馈学习的基本流程 | 第37-38页 |
| ·采用增量反馈学习的融合分类器 | 第38-41页 |
| ·简单向量距离分类算法 | 第38-39页 |
| ·基于融合分类器的增量反馈学习算法 | 第39-41页 |
| ·本章小结 | 第41-43页 |
| 第五章 模型的实现及结果分析 | 第43-53页 |
| ·数据的搜集 | 第43-46页 |
| ·Web-Harvest 网络爬虫工作原理 | 第43页 |
| ·天涯博客的抓取 | 第43-46页 |
| ·抓取结果的显示 | 第46页 |
| ·对抓取到的评论进行预处理 | 第46-47页 |
| ·文本分词 | 第46-47页 |
| ·去除停用词 | 第47页 |
| ·强特征提取 | 第47页 |
| ·评价指标 | 第47-48页 |
| ·实验结果 | 第48-53页 |
| 第六章 总结与展望 | 第53-55页 |
| ·总结 | 第53-54页 |
| ·展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 发表论文和科研情况说明 | 第59-60页 |
| 致谢 | 第60页 |
