基于图结构与多特征的微博水军团体识别
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外网络水军研究现状 | 第10-11页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 相关研究 | 第14-21页 |
| 2.1 网络水军概述 | 第14-16页 |
| 2.1.1 网络水军概念及其特征 | 第14-15页 |
| 2.1.2 网络水军团体概念及其特征 | 第15-16页 |
| 2.2 网络水军识别技术研究 | 第16-19页 |
| 2.2.1 网络水军识别 | 第16-17页 |
| 2.2.2 网络水军团体识别 | 第17-19页 |
| 2.3 现有研究不足和本文研究改进 | 第19-20页 |
| 2.3.1 现有研究的不足 | 第19页 |
| 2.3.2 本文研究改进 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于图结构的疑似水军团体发现 | 第21-32页 |
| 3.1 用户关系图的构建 | 第21-22页 |
| 3.2 基于频繁子图的疑似水军团体挖掘 | 第22-26页 |
| 3.2.1 频繁子图的引入 | 第22页 |
| 3.2.2 改进的频繁子图挖掘算法 | 第22-25页 |
| 3.2.3 算法伪代码 | 第25-26页 |
| 3.3 疑似水军团体中的正常用户过滤 | 第26-30页 |
| 3.3.1 离群点的引入 | 第26页 |
| 3.3.2 用户特征属性的选取及相似度计算 | 第26-28页 |
| 3.3.3 基于用户相似度的离群点算法 | 第28-29页 |
| 3.3.4 算法伪代码 | 第29-30页 |
| 3.4 疑似网络水军团体发现 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于多特征的水军团体检测 | 第32-44页 |
| 4.1 网络水军团体特征的选取和量化 | 第32-35页 |
| 4.1.1 网络水军团体结构特征 | 第32-33页 |
| 4.1.2 网络水军团体内容特征 | 第33-34页 |
| 4.1.3 网络水军团体时间特征 | 第34-35页 |
| 4.2 基于机器学习的网络水军团体分类模型 | 第35-38页 |
| 4.2.1 网络水军团体特征模块 | 第35-37页 |
| 4.2.2 分类决策模块 | 第37-38页 |
| 4.3 基于C4.5决策树的网络水军团体检测 | 第38-42页 |
| 4.3.1 决策树C4.5算法 | 第38-39页 |
| 4.3.2 生成决策树 | 第39-42页 |
| 4.3.3 网络水军团体检测 | 第42页 |
| 4.4 本章小结 | 第42-44页 |
| 第五章 实验与结果分析 | 第44-55页 |
| 5.1 实验准备 | 第44-48页 |
| 5.1.1 实验环境搭建 | 第44页 |
| 5.1.2 数据集获取 | 第44-47页 |
| 5.1.3 数据集预处理 | 第47页 |
| 5.1.4 数据集人工标识与划分 | 第47-48页 |
| 5.2 频繁子图的发现 | 第48-51页 |
| 5.2.1 构建用户关系图 | 第48-49页 |
| 5.2.2 最小支持度阈值的设定 | 第49-50页 |
| 5.2.3 评价指标 | 第50页 |
| 5.2.4 实验结果与分析 | 第50-51页 |
| 5.3 属性权重的设定 | 第51页 |
| 5.4 对比实验 | 第51-54页 |
| 5.4.1 实验评估标准 | 第51-52页 |
| 5.4.2 实验及结果分析 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 研究工作总结与展望 | 第55-57页 |
| 6.1 研究工作总结 | 第55页 |
| 6.2 对未来工作的展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 致谢 | 第61页 |
