基于语言特性的互联网欺骗信息的自动识别
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.1.1 电子商务市场 | 第9-10页 |
| 1.1.2 网络水军 | 第10页 |
| 1.2 研究目的 | 第10-11页 |
| 1.3 研究内容 | 第11页 |
| 1.4 研究挑战 | 第11-12页 |
| 1.5 论文结构 | 第12-13页 |
| 第二章 数据收集 | 第13-17页 |
| 2.1 英文数据集 | 第13-16页 |
| 2.1.1 欺骗信息收集 | 第13-14页 |
| 2.1.2 可信信息收集 | 第14页 |
| 2.1.3 人工测试表现 | 第14-16页 |
| 2.2 中文数据集 | 第16页 |
| 2.3 本章小结 | 第16-17页 |
| 第三章 特征提取 | 第17-21页 |
| 3.1 基础特征集合 | 第17-18页 |
| 3.1.1 语言风格检测 | 第17页 |
| 3.1.2 文本分类特征 | 第17-18页 |
| 3.1.3 欺骗性心理分析 | 第18页 |
| 3.2 深度语言特性 | 第18-19页 |
| 3.3 本章小结 | 第19-21页 |
| 第四章 分类算法 | 第21-43页 |
| 4.1 朴素贝叶斯 | 第21-23页 |
| 4.1.1 朴素贝叶斯基本理论 | 第21-22页 |
| 4.1.2 参数估计方法 | 第22-23页 |
| 4.1.3 朴素贝叶斯学习与分类算法 | 第23页 |
| 4.2 支持向量机 | 第23-26页 |
| 4.2.1 最优分类平面 | 第24页 |
| 4.2.2 支持向量机学习算法 | 第24-26页 |
| 4.3 最大熵模型 | 第26-28页 |
| 4.3.1 最大熵模型原理 | 第26-27页 |
| 4.3.2 最大熵模型的学习 | 第27-28页 |
| 4.4 人工神经网络 | 第28-33页 |
| 4.4.1 人工神经网络模型 | 第28-30页 |
| 4.4.2 参数学习 | 第30-31页 |
| 4.4.3 反向传播算法 | 第31-33页 |
| 4.4.4 最近发展 | 第33页 |
| 4.5 多状态神经网络 | 第33-42页 |
| 4.5.1 多项式逻辑斯谛回归 | 第33-34页 |
| 4.5.2 理论基础 | 第34-36页 |
| 4.5.3 参数学习方法 | 第36-37页 |
| 4.5.4 最速下降法及其收敛性 | 第37-38页 |
| 4.5.5 多状态神经网络反向传播算法 | 第38-40页 |
| 4.5.6 经典问题实验 | 第40-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第五章 实验结果 | 第43-49页 |
| 5.1 工具使用 | 第43-44页 |
| 5.1.1 特征抽取工具 | 第43页 |
| 5.1.2 分类工具 | 第43-44页 |
| 5.2 交叉验证方法 | 第44页 |
| 5.3 英文数据集实验 | 第44-46页 |
| 5.4 中文数据集实验 | 第46页 |
| 5.5 实验结果和讨论 | 第46-47页 |
| 5.6 本章小结 | 第47-49页 |
| 第六章 总结和展望 | 第49-51页 |
| 6.1 研究总结 | 第49-50页 |
| 6.2 未来展望 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-59页 |
| 攻读硕士学位期间已发表或录用的论文 | 第59-61页 |
