基于微博内容的恶意用户识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 论文主要工作 | 第13页 |
| 1.4 论文的组织结构 | 第13-16页 |
| 第二章 背景知识与技术 | 第16-26页 |
| 2.1 JAVA爬虫技术 | 第16-17页 |
| 2.1.1 网络爬虫技术 | 第16-17页 |
| 2.1.2 WebCollector简介 | 第17页 |
| 2.2 中文分词以及语义分析技术 | 第17-18页 |
| 2.2.1 中文分词 | 第17-18页 |
| 2.2.2 语义分析技术 | 第18页 |
| 2.3 机器学习算法 | 第18-23页 |
| 2.3.1 决策树 | 第19-20页 |
| 2.3.2 AdaBoost | 第20-21页 |
| 2.3.3 SVM算法 | 第21-23页 |
| 2.4 本章小结 | 第23-26页 |
| 第三章 可扩展恶意词典获取及恶意评论检测 | 第26-42页 |
| 3.1 爬虫系统实现及数据采集 | 第26-33页 |
| 3.1.1 微博爬虫程序的设计 | 第26-29页 |
| 3.1.2 数据库的设计 | 第29-31页 |
| 3.1.3 爬虫系统的实现 | 第31-33页 |
| 3.2 词典实现及实验方案 | 第33-39页 |
| 3.2.1 基础恶意词典实现 | 第33-34页 |
| 3.2.2 停用表建立 | 第34-35页 |
| 3.2.3 可扩展恶意词典实现 | 第35-39页 |
| 3.3 实验结果分析 | 第39-41页 |
| 3.3.1 停用词汇表分析 | 第39-40页 |
| 3.3.2 判定方法 | 第40页 |
| 3.3.3 实验结论 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 恶意用户分类 | 第42-54页 |
| 4.1 不同类别内容分数的提取 | 第42-46页 |
| 4.1.1 用户及内容分数定义 | 第42-43页 |
| 4.1.2 用户分数计算 | 第43-44页 |
| 4.1.3 用户分数分析 | 第44-46页 |
| 4.2 实验方案 | 第46-48页 |
| 4.2.1 实验方案设计 | 第46-47页 |
| 4.2.2 实验方案实现 | 第47-48页 |
| 4.3 实验结果分析 | 第48-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 机器学习在用户分类检测中的作用 | 第54-64页 |
| 5.1 特征提取 | 第54-57页 |
| 5.1.1 特征表示 | 第54-55页 |
| 5.1.2 特征存储 | 第55-56页 |
| 5.1.3 特征提取方法 | 第56-57页 |
| 5.2 特征分析 | 第57-59页 |
| 5.3 实验结果分析 | 第59-63页 |
| 5.3.1 特征值的效果 | 第59-61页 |
| 5.3.2 实验对比 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间发表的学术论文 | 第72页 |
