| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 论文研究内容 | 第12-13页 |
| 1.3 论文组织结构 | 第13-16页 |
| 第2章 微博异常消息检测相关技术 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 微博突发消息检测 | 第16-19页 |
| 2.2.1 微博突发消息概述 | 第17页 |
| 2.2.2 微博突发消息检测研究现状 | 第17-19页 |
| 2.3 微博垃圾消息检测 | 第19-23页 |
| 2.3.1 微博垃圾消息检测技术分类 | 第19-22页 |
| 2.3.2 微博垃圾消息检测研究现状 | 第22-23页 |
| 2.4 微博异常消息检测框架 | 第23-26页 |
| 2.4.1 微博消息流 | 第23-24页 |
| 2.4.2 滑动时间窗口和哈希存储 | 第24-25页 |
| 2.4.3 异常消息检测 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 自适应滑动窗口及判定阈值微博突发消息检测研究 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 基于微博窗口的突发消息检测方法 | 第28-32页 |
| 3.2.1 基于微博消息数量的滑动窗口 | 第28-29页 |
| 3.2.2 基于时间间隔的滑动窗口 | 第29页 |
| 3.2.3 自适应滑动窗口算法 | 第29-32页 |
| 3.3 基于自适应t分布的残差项微博异常消息的检测 | 第32-37页 |
| 3.3.1 网络流量异常特点 | 第32页 |
| 3.3.2 残差比算法的意义 | 第32-33页 |
| 3.3.3 AR模型简介 | 第33-35页 |
| 3.3.4 自适应t分布阈值残差比检测算法 | 第35-37页 |
| 3.4 实验结果与分析 | 第37-40页 |
| 3.4.1 实验方案 | 第37-38页 |
| 3.4.2 实验结果 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于KNN-SVM的微博垃圾消息检测算法研究 | 第42-56页 |
| 4.1 引言 | 第42页 |
| 4.2 微博消息特征提取 | 第42-44页 |
| 4.2.1 基于微博用户特征提取 | 第42-44页 |
| 4.2.2 基于微博消息内容的特征提取 | 第44页 |
| 4.3 基于KNN-SVM的微博垃圾消息检测算法 | 第44-52页 |
| 4.3.1 垃圾检测模型设计 | 第44-46页 |
| 4.3.2 K-近邻分类算法 | 第46-47页 |
| 4.3.3 支持向量机分类算法 | 第47-49页 |
| 4.3.4 融合KNN-SVM的微博垃圾消息的检测 | 第49-52页 |
| 4.4 实验结果与分析 | 第52-54页 |
| 4.4.1 实验方案 | 第52页 |
| 4.4.2 实验结果 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第62-63页 |
| 致谢 | 第63-64页 |
