一种基于数据挖掘技术的垃圾短信用户预识别方法
| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-17页 |
| ·研究背景 | 第8页 |
| ·垃圾短信的定义 | 第8-9页 |
| ·垃圾短信的形成原因 | 第9-10页 |
| ·垃圾短信现状调查 | 第10页 |
| ·垃圾短信的危害性 | 第10-11页 |
| ·垃圾短信治理措施 | 第11-13页 |
| ·理论治理措施 | 第11-12页 |
| ·运营商治理措施 | 第12-13页 |
| ·治理措施中涉及的算法讨论 | 第13-15页 |
| ·垃圾短信治理中涉及的算法归类综述 | 第13页 |
| ·现有垃圾短信过滤方法举例 | 第13-15页 |
| ·现有垃圾短信过滤方法的缺陷性 | 第15页 |
| ·本文的研究方向 | 第15-17页 |
| 第二章 需求调研 | 第17-23页 |
| ·垃圾短信用户特征分析 | 第17-19页 |
| ·入网行为特征分析 | 第17-18页 |
| ·发送行为特征分析 | 第18-19页 |
| ·消费行为特征分析 | 第19页 |
| ·运营商期待的治理效果 | 第19页 |
| ·模型的研究方向 | 第19-20页 |
| ·确立模型分析指标 | 第20-23页 |
| ·入网行为关键指标 | 第21页 |
| ·发送行为关键指标 | 第21页 |
| ·通话行为关键指标 | 第21-22页 |
| ·消费行为关键指标 | 第22-23页 |
| 第三章 挖掘算法比较及选取 | 第23-28页 |
| ·数据挖掘技术说明 | 第23页 |
| ·涉及垃圾短信识别的数据挖掘技术探讨 | 第23-26页 |
| ·朴素贝叶斯(Naive Bayes)算法及应用 | 第23-24页 |
| ·神经网络算法及应用 | 第24页 |
| ·决策树算法及应用 | 第24-25页 |
| ·K近邻算法(KNN)及应用 | 第25页 |
| ·支持向量机分类算法(SVM)及应用 | 第25-26页 |
| ·挖掘技术对比及选择 | 第26页 |
| ·算法适用性说明 | 第26-27页 |
| ·行业名词介绍 | 第27-28页 |
| 第四章 建模过程 | 第28-44页 |
| ·建模思路及运行范围 | 第28-30页 |
| ·建模思路 | 第28页 |
| ·模型运行数据规模 | 第28-29页 |
| ·模型评估策略 | 第29页 |
| ·模型运行周期 | 第29-30页 |
| ·模型基础数据准备 | 第30-31页 |
| ·建模工具准备 | 第30页 |
| ·输入变量预处理 | 第30-31页 |
| ·选取训练集合测试集 | 第31-32页 |
| ·运行过程介绍 | 第32-44页 |
| 第五章 模型输出及应用 | 第44-47页 |
| ·模型输出 | 第44页 |
| ·模型评估 | 第44-45页 |
| ·实际应用 | 第45-46页 |
| ·模型优化 | 第46-47页 |
| 第六章 研究意义及实际效益 | 第47-50页 |
| ·研究意义 | 第47页 |
| ·产生效益 | 第47-48页 |
| ·本人工作 | 第48页 |
| ·发展前景 | 第48-50页 |
| 参考文献 | 第50-52页 |
| 致谢 | 第52页 |
