| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 信息传播研究现状 | 第14-15页 |
| 1.2.2 水军识别研究现状 | 第15-16页 |
| 1.3 问题提出 | 第16-17页 |
| 1.4 本文主要内容和章节安排 | 第17-20页 |
| 1.4.1 主要内容 | 第17-19页 |
| 1.4.2 章节安排 | 第19-20页 |
| 第二章 微博网络传播及其水军识别概述 | 第20-24页 |
| 2.1 微博网络传播方式 | 第20-21页 |
| 2.2 微博水军识别技术 | 第21-24页 |
| 2.2.1 内容检测 | 第21-22页 |
| 2.2.2 用户行为分析 | 第22-23页 |
| 2.2.3 人工标注 | 第23-24页 |
| 第三章 基于局域信息的微博网络信息传播模型 | 第24-34页 |
| 3.1 引言 | 第24页 |
| 3.2 相关工作 | 第24-25页 |
| 3.3 信息传播特征分析 | 第25-26页 |
| 3.3.1 正常情况的信息传播 | 第25-26页 |
| 3.3.2 水军干扰的信息传播 | 第26页 |
| 3.4 基于局域信息的微博网络信息传播模型 | 第26-29页 |
| 3.4.1 模型建立 | 第26-27页 |
| 3.4.2 传播机制及符号说明 | 第27页 |
| 3.4.3 模型推导 | 第27-29页 |
| 3.4.4 考虑感染概率随用户影响力递变的影响 | 第29页 |
| 3.5 实验分析 | 第29-33页 |
| 3.5.1 实验数据 | 第29-30页 |
| 3.5.2 微博网络对比实验 | 第30-31页 |
| 3.5.3 参数敏感性对比实验 | 第31-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第四章 基于关系图特征的微博水军识别方法 | 第34-48页 |
| 4.1 引言 | 第34页 |
| 4.2 相关工作 | 第34页 |
| 4.3 用户关系图特征 | 第34-40页 |
| 4.3.1 用户关系图 | 第34-36页 |
| 4.3.2 图特征提取 | 第36-38页 |
| 4.3.3 其他特征 | 第38-40页 |
| 4.4 基于关系图特征的水军识别方法 | 第40-42页 |
| 4.4.1 朴素贝叶斯算法 | 第40-41页 |
| 4.4.2 贝叶斯网络 | 第41页 |
| 4.4.3 C4.5决策树 | 第41-42页 |
| 4.5 实验分析 | 第42-46页 |
| 4.5.1 实验数据 | 第42-43页 |
| 4.5.2 评价指标 | 第43页 |
| 4.5.3 实验结果与分析 | 第43-46页 |
| 4.6 本章小结 | 第46-48页 |
| 第五章 基于MapReduce随机森林的微博水军识别算法 | 第48-60页 |
| 5.1 引言 | 第48页 |
| 5.2 相关工作 | 第48-49页 |
| 5.2.1 MapReduce | 第48-49页 |
| 5.2.2 随机森林的基本思想 | 第49页 |
| 5.3 基于MapReduce随机森林的水军识别算法设计 | 第49-55页 |
| 5.3.1 用户特征向量 | 第50-51页 |
| 5.3.2 属性选择度量 | 第51-52页 |
| 5.3.3 算法设计 | 第52-54页 |
| 5.3.4 算法分析 | 第54-55页 |
| 5.4 实验分析 | 第55-59页 |
| 5.4.1 实验准备 | 第55页 |
| 5.4.2 评价指标 | 第55-56页 |
| 5.4.3 结果与分析 | 第56-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 全文总结 | 第60页 |
| 6.2 本文的主要创新点 | 第60-61页 |
| 6.3 未来研究工作展望 | 第61-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 作者简历攻读硕士学位期间完成的主要工作 | 第68页 |