| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 引言 | 第13-14页 |
| 1.2 研究的背景和意义 | 第14-16页 |
| 1.2.1 研究背景 | 第14页 |
| 1.2.2 研究意义 | 第14-15页 |
| 1.2.3 国内外研究现状 | 第15-16页 |
| 1.3 研究工作 | 第16-18页 |
| 1.3.1 问题综述 | 第16-17页 |
| 1.3.2 主要工作 | 第17-18页 |
| 1.4 本文的内容与结构 | 第18-19页 |
| 第2章 广告评论过滤技术 | 第19-26页 |
| 2.1 广告评论过滤技术概述 | 第19-20页 |
| 2.2 文本预处理 | 第20页 |
| 2.3 特征选择方法 | 第20-21页 |
| 2.3.1 向量空间模型(VSM)介绍 | 第20-21页 |
| 2.3.2 语义特征介绍 | 第21页 |
| 2.4 模型训练算法 | 第21-25页 |
| 2.4.1 K-近邻算法 | 第22页 |
| 2.4.2 Adaboost | 第22-24页 |
| 2.4.3 多层神经网络 | 第24页 |
| 2.4.4 主成分分析 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 文本语义特征提取方法 | 第26-34页 |
| 3.1 综述 | 第26页 |
| 3.2 传统的文本分类特征提取方法 | 第26-27页 |
| 3.3 文本语义标注及语义特征提取 | 第27-29页 |
| 3.4 基于语义信息的特征提取思路 | 第29-33页 |
| 3.4.1 Stanford CoreNLP自动语义标注 | 第29-32页 |
| 3.4.2 语义特征提取 | 第32页 |
| 3.4.3 语义特征补充 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于语义特征和监督学习的广告评论过滤研究 | 第34-52页 |
| 4.1 引言 | 第34-38页 |
| 4.1.1 支持向量机 | 第34-36页 |
| 4.1.2 Fisher线性判别分析 | 第36-38页 |
| 4.2 实验设计与分析 | 第38-43页 |
| 4.2.1 实验环境 | 第39页 |
| 4.2.2 实验设计 | 第39-41页 |
| 4.2.3 实验相关算法 | 第41页 |
| 4.2.4 实验流程 | 第41-42页 |
| 4.2.5 实验结果分析 | 第42-43页 |
| 4.3 基于词袋模型的特征提取及模型训练 | 第43页 |
| 4.3.1 向量空间模型 | 第43页 |
| 4.3.2 基于向量空间模型的广告垃圾评论检测 | 第43页 |
| 4.4 基于语义标注的特征提取及模型训练 | 第43-46页 |
| 4.4.1 基于语义标注的特征提取 | 第43-45页 |
| 4.4.2 基于语义信息的建模实验 | 第45-46页 |
| 4.5 实验结果对比分析 | 第46-49页 |
| 4.6 基于语义特征的广告文本分类算法的数据集优势 | 第49-51页 |
| 4.7 本章小结 | 第51-52页 |
| 第5章 基于协同训练的广告文本检测 | 第52-61页 |
| 5.1 引言 | 第52页 |
| 5.2 基于协同训练广告文本检测 | 第52-59页 |
| 5.2.1 协同训练算法 | 第52-54页 |
| 5.2.2 整体设计 | 第54-56页 |
| 5.2.3 实验数据 | 第56页 |
| 5.2.4 实验结果与分析 | 第56-59页 |
| 5.3 本章小结 | 第59-61页 |
| 第6章 总结与展望 | 第61-64页 |
| 6.1 课题总结 | 第61-62页 |
| 6.2 研究展望 | 第62-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66-67页 |
| 附录 Ⅰ Stanford CoreNLP单词及短语标记缩写 | 第67-70页 |
| 附录 Ⅱ 原始数据集输入格式表 | 第70-71页 |
| 附录 Ⅲ 语义特征输入格式 | 第71页 |
