| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.3 论文研究内容 | 第16-18页 |
| 1.4 论文结构安排 | 第18-19页 |
| 第2章 相关研究和理论基础 | 第19-28页 |
| 2.1 微博Spammer分类 | 第19-20页 |
| 2.2 微博统计特征 | 第20-23页 |
| 2.2.1 用户行为特征 | 第20-21页 |
| 2.2.2 微博内容特征 | 第21-23页 |
| 2.3 微博Spammer检测中的机器学习方法 | 第23-27页 |
| 2.3.1 监督学习分类技术 | 第23-25页 |
| 2.3.2 半监督学习分类技术 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于Tri-training算法的微博Spammer检测 | 第28-38页 |
| 3.1 问题提出与解决方案 | 第28-29页 |
| 3.2 用户相似度 | 第29-32页 |
| 3.2.1 距离度量 | 第29-31页 |
| 3.2.2 用户相似性度量 | 第31-32页 |
| 3.3 MSDTT算法框架 | 第32-33页 |
| 3.4 MSDTT算法描述 | 第33-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 面向MSDTT的标注样本选取和特征选择 | 第38-48页 |
| 4.1 问题提出与解决方案 | 第38-39页 |
| 4.2 面向MSDTT的标注样本选取 | 第39-42页 |
| 4.2.1 利用相似信息选取标注样本 | 第39-40页 |
| 4.2.2 利用信息熵选取信息量大的样本 | 第40-41页 |
| 4.2.3 算法流程 | 第41-42页 |
| 4.3 面向MSDTT的特征选择 | 第42-46页 |
| 4.3.1 微博统计特征 | 第42-44页 |
| 4.3.2 微博特征分析 | 第44-46页 |
| 4.4 本章小结 | 第46-48页 |
| 第5章 实验结果分析 | 第48-60页 |
| 5.1 实验环境及数据集介绍 | 第48-50页 |
| 5.1.1 实验环境 | 第48页 |
| 5.1.2 实验数据集 | 第48-50页 |
| 5.2 实验评价指标 | 第50-51页 |
| 5.3 特征选择和标注样本选取方法 | 第51-54页 |
| 5.3.1 特征选择方法实验结果分析 | 第51-53页 |
| 5.3.2 标注样本选取方法实验结果分析 | 第53-54页 |
| 5.4 MSDTT算法 | 第54-59页 |
| 5.4.1 与监督学习方法对比实验 | 第55-57页 |
| 5.4.2 与Tri-training算法对比实验 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 研究工作总结 | 第60-61页 |
| 6.2 未来工作展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第68-69页 |
| 附表 | 第69页 |