| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·引言 | 第10-11页 |
| ·研究背景和意义 | 第11-14页 |
| ·垃圾短信的定义及其种类 | 第11-12页 |
| ·短信业务的一般原理 | 第12-13页 |
| ·国内外对垃圾短信的治理对策 | 第13-14页 |
| ·本文的主要工作 | 第14页 |
| ·本文的组织结构 | 第14-16页 |
| 第二章 当前主流的垃圾短信过滤技术 | 第16-24页 |
| ·宏观的垃圾短信过滤机制 | 第16-17页 |
| ·基于关键词匹配的垃圾短信过滤方法 | 第17页 |
| ·基于黑名单的垃圾短信过滤方法 | 第17-18页 |
| ·基于机器学习的垃圾短信过滤方法 | 第18-22页 |
| ·概述 | 第18-19页 |
| ·短信预处理 | 第19页 |
| ·文本分词 | 第19-20页 |
| ·文本特征选择及文本向量化 | 第20-22页 |
| ·分类器的训练和分类 | 第22页 |
| ·基于机器学习的垃圾短信过滤方法的优势 | 第22页 |
| ·垃圾短信过滤系统性能的评价 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 基本机器学习算法对短信分类的评价及其改进 | 第24-44页 |
| ·基于决策树的垃圾短信分类法 | 第24-27页 |
| ·决策树概述 | 第24页 |
| ·ID3 决策树算法 | 第24-25页 |
| ·实验结果 | 第25-27页 |
| ·基于朴素贝叶斯的垃圾短信分类法 | 第27-28页 |
| ·朴素贝叶斯分类概述 | 第27页 |
| ·实验结果 | 第27-28页 |
| ·基于 k 最近邻的垃圾短信分类法 | 第28-31页 |
| ·k 最近邻概述 | 第28-29页 |
| ·kNN 的若干问题探讨 | 第29-30页 |
| ·实验结果 | 第30-31页 |
| ·基于支持向量机的垃圾短信分类法 | 第31-34页 |
| ·支持向量机概述 | 第31-33页 |
| ·支持向量机的实验结果 | 第33-34页 |
| ·基本机器学习算法对短信分类能力的比较 | 第34-35页 |
| ·对SVM 的训练和分类策略进行的改进 | 第35-40页 |
| ·分类策略的改进 | 第35-37页 |
| ·改进后的实验结果 | 第37-40页 |
| ·对特征选择算法的改进 | 第40-43页 |
| ·算法的改进 | 第40-42页 |
| ·改进后的实验结果 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 集成学习在短信分类中的应用与改进 | 第44-60页 |
| ·集成学习理论概述 | 第44-46页 |
| ·集成学习概念 | 第44-45页 |
| ·各个单分类器的生成 | 第45-46页 |
| ·各种集成学习方法 | 第46-47页 |
| ·装袋 | 第46页 |
| ·提升 | 第46页 |
| ·Stacked Generalization | 第46-47页 |
| ·交叉验证 | 第47页 |
| ·Stacking 集成学习法在垃圾短信中的应用及改进 | 第47-59页 |
| ·Stacking 元分类器的构造 | 第47-50页 |
| ·基本分类器的构造 | 第50-51页 |
| ·集成多个基本分类器的第一种策略 | 第51-54页 |
| ·集成多个基本分类器的第二种策略 | 第54-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 垃圾短信分类系统的设计与实现 | 第60-69页 |
| ·系统开发和运行的软硬件配置 | 第60页 |
| ·系统的总体流程 | 第60-61页 |
| ·数据库访问模块 | 第61-62页 |
| ·短信预处理模块 | 第62-66页 |
| ·短信预处理模块的功能 | 第62-63页 |
| ·谐音字、拼音词的处理 | 第63-65页 |
| ·干扰字符、繁体字的处理 | 第65-66页 |
| ·短信关键词匹配模块 | 第66页 |
| ·特征选择模块 | 第66-67页 |
| ·短信的分词和向量化模块 | 第67页 |
| ·各个基本分类器和集成学习分类器模块 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| ·本文总结 | 第69-70页 |
| ·今后研究展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-74页 |
| 攻硕期间取得的研究成果 | 第74-75页 |