| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 谣言检测算法 | 第12-14页 |
| 1.2.2 对训练数据类别不平衡的解决方法 | 第14-15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.4 本论文的结构安排 | 第16-18页 |
| 第二章 相关理论及技术 | 第18-30页 |
| 2.1 微博谣言检测算法 | 第18-21页 |
| 2.2 训练数据类别不平衡处理算法 | 第21-24页 |
| 2.3 其它相关理论 | 第24-30页 |
| 第三章 基于集成分类器的微博谣言检测算法 | 第30-49页 |
| 3.1 问题定义 | 第30页 |
| 3.2 GTB-RD检测算法 | 第30-35页 |
| 3.2.1 GTB-RD检测算法的核心部分 | 第31-33页 |
| 3.2.2 基础检测器 | 第33-34页 |
| 3.2.3 检测时间和谣言早期检测 | 第34页 |
| 3.2.4 整体算法 | 第34-35页 |
| 3.3 适用于GTB-RD的特征选择算法 | 第35-40页 |
| 3.3.1 特征重要度 | 第36页 |
| 3.3.2 候选特征构建 | 第36-37页 |
| 3.3.3 特征选择结果 | 第37-39页 |
| 3.3.4 定值特征和变值特征 | 第39-40页 |
| 3.4 实验设计及结果分析 | 第40-48页 |
| 3.4.1 数据集 | 第40-42页 |
| 3.4.2 对比算法和性能指标 | 第42-43页 |
| 3.4.3 实验结果 | 第43-44页 |
| 3.4.4 超参数分析 | 第44-46页 |
| 3.4.5 谣言的早期检测 | 第46-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 训练数据类别不平衡问题 | 第49-64页 |
| 4.1 问题定义 | 第50页 |
| 4.2 GAN-SMOTE：基于生成对抗网络的过采样算法 | 第50-57页 |
| 4.2.1 GAN模型结构设计 | 第51-53页 |
| 4.2.2 数据生成和处理 | 第53页 |
| 4.2.3 GAN-SMOTE算法的训练过程 | 第53-56页 |
| 4.2.4 样本验证算法 | 第56-57页 |
| 4.3 GAN-SMOTE算法整体描述 | 第57页 |
| 4.4 实验设计及实验结果分析 | 第57-63页 |
| 4.4.1 数据集 | 第59页 |
| 4.4.2 数据预处理 | 第59-60页 |
| 4.4.3 对比算法和对比指标 | 第60-61页 |
| 4.4.4 实验结果及分析 | 第61-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 全文总结与展望 | 第64-66页 |
| 5.1 全文总结 | 第64页 |
| 5.2 未来工作 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士期间取得的成果 | 第73页 |