基于协同训练的社交网络垃圾用户检测的研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-11页 |
| 1.1 课题研究的目的和意义 | 第6-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文的主要工作和贡献 | 第9页 |
| 1.4 本文组织结构 | 第9-11页 |
| 2 社交网络中垃圾作弊检测技术与相关理论概述 | 第11-29页 |
| 2.1 基于垃圾信息的过滤方法 | 第11-12页 |
| 2.1.1 用户举报过滤法 | 第11-12页 |
| 2.1.2 黑名单过滤法 | 第12页 |
| 2.1.3 规则和模式匹配过滤法 | 第12页 |
| 2.1.4 机器学习法 | 第12页 |
| 2.2 基于作弊用户检测的方法 | 第12-19页 |
| 2.2.1 分类法 | 第12-14页 |
| 2.2.2 联盟检测法 | 第14-16页 |
| 2.2.3 排名法 | 第16-18页 |
| 2.2.4 蜜罐法 | 第18-19页 |
| 2.3 分类算法 | 第19-23页 |
| 2.3.1 朴素贝叶斯分类算法 | 第19-20页 |
| 2.3.2 支持向量机 | 第20-21页 |
| 2.3.3 决策树分类 | 第21页 |
| 2.3.4 逻辑回归 | 第21-22页 |
| 2.3.5 随机森林 | 第22-23页 |
| 2.4 聚类算法 | 第23-24页 |
| 2.4.1 K-means算法 | 第23-24页 |
| 2.4.2 K-medoids算法 | 第24页 |
| 2.5 半监督学习方法介绍 | 第24-28页 |
| 2.5.1 Co-training | 第25-26页 |
| 2.5.2 Self-training | 第26-27页 |
| 2.5.3 EM算法 | 第27页 |
| 2.5.4 基于图的方法 | 第27-28页 |
| 2.6 小结 | 第28-29页 |
| 3 基于协同训练的社交网络垃圾用户检测 | 第29-45页 |
| 3.1 问题定义与解决方案 | 第29-31页 |
| 3.2 社交网络用户的特征 | 第31-38页 |
| 3.2.1 内容特征 | 第32-34页 |
| 3.2.2 行为特征 | 第34-38页 |
| 3.3 社交网络中初始数据集的标记 | 第38页 |
| 3.4 本文检测框架算法流程 | 第38-42页 |
| 3.4.1 算法流程 | 第39-41页 |
| 3.4.2 算法复杂度 | 第41页 |
| 3.4.3 算法鲁棒性 | 第41-42页 |
| 3.5 协同训练的分类器选择 | 第42-43页 |
| 3.6 小结 | 第43-45页 |
| 4 实验结果及分析 | 第45-54页 |
| 4.1 实验数据 | 第45-46页 |
| 4.2 评价标准 | 第46-47页 |
| 4.3 实验结果 | 第47-51页 |
| 4.3.1 实验设置 | 第47页 |
| 4.3.2 不同初始种子集实验对比 | 第47-49页 |
| 4.3.3 结果对比 | 第49-51页 |
| 4.4 作弊联盟分析 | 第51-53页 |
| 4.5 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学术论文情况 | 第59-60页 |
| 致谢 | 第60-62页 |
