| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 基于用户行为特征的分析 | 第11-12页 |
| 1.2.2 基于文本内容的分析 | 第12-13页 |
| 1.2.3 基于融合特征的分析 | 第13页 |
| 1.3 本文的结构安排 | 第13-14页 |
| 第二章 网络水军识别 | 第14-18页 |
| 2.1 网络水军的定义 | 第14页 |
| 2.2 网络水军识别 | 第14-17页 |
| 2.2.1 网络水军识别的一般步骤 | 第15页 |
| 2.2.2 网络水军识别的方法 | 第15-16页 |
| 2.2.3 网络水军识别的评价指标 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第三章 深度信念网络 | 第18-26页 |
| 3.1 深度学习概念 | 第18-19页 |
| 3.2 深度信念网络的结构 | 第19-24页 |
| 3.2.1 受限玻尔兹曼机RBM | 第19-23页 |
| 3.2.2 BP神经网络 | 第23-24页 |
| 3.3 深度信念网络的训练 | 第24-25页 |
| 3.3.1 预训练 | 第24页 |
| 3.3.2 微调 | 第24-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 结合时间序列信息的基于DBN的水军识别算法 | 第26-35页 |
| 4.1 问题定义 | 第26页 |
| 4.2 模型框架 | 第26-31页 |
| 4.2.1 新浪微博水军现状 | 第26-27页 |
| 4.2.2 数据获取 | 第27-28页 |
| 4.2.3 模型设计 | 第28-31页 |
| 4.3 实验及结果 | 第31-34页 |
| 4.4 本章小结 | 第34-35页 |
| 第五章 一种面向水军检测的DBN分层并行模型 | 第35-44页 |
| 5.1 问题 | 第35页 |
| 5.2 一种面向水军检测的DBN分层并行模型 | 第35-39页 |
| 5.2.1 利用Map Reduce加速用户数据预处理模块 | 第36-37页 |
| 5.2.2 利用并行Downpour SGD加速RBM训练 | 第37-39页 |
| 5.3 实验及结果 | 第39-42页 |
| 5.3.1 评价指标 | 第39-40页 |
| 5.3.2 实验设计 | 第40-41页 |
| 5.3.3 实验结果及分析 | 第41-42页 |
| 5.4 本章小结 | 第42-44页 |
| 第六章 总结与展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 附录A (攻读硕士学位期间发表的论文和专利) | 第49-50页 |
| 附录B (攻读硕士学位期间参与的科研项目) | 第50页 |
