基于半监督学习的微博谣言检测研究
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 微博谣言检测研究现状 | 第13-16页 |
| 1.2.1 微博谣言传播分析 | 第14-15页 |
| 1.2.2 微博谣言检测 | 第15-16页 |
| 1.3 本文的主要内容与结构安排 | 第16-19页 |
| 1.3.1 本文的主要内容 | 第16-17页 |
| 1.3.2 本文的组织结构 | 第17-19页 |
| 第二章 谣言检测中的机器学习技术 | 第19-31页 |
| 2.1 分类技术 | 第19-23页 |
| 2.1.1 分类技术 | 第19-20页 |
| 2.1.2 谣言检测中典型分类算法 | 第20-23页 |
| 2.2 不平衡数据分类 | 第23-27页 |
| 2.2.1 类别不平衡数据的分类方法 | 第23-25页 |
| 2.2.2 代价敏感学习 | 第25页 |
| 2.2.3 不平衡数据分类的评估 | 第25-27页 |
| 2.3 半监督学习 | 第27-30页 |
| 2.3.1 半监督学习概述 | 第27-28页 |
| 2.3.2 协同训练算法 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 一种改进的不平衡数据半监督学习算法 | 第31-42页 |
| 3.1 Co-Forest算法 | 第31-33页 |
| 3.1.1 Co-Forest算法描述 | 第31-32页 |
| 3.1.2 算法不足 | 第32-33页 |
| 3.2 代价引入及终止条件 | 第33-34页 |
| 3.3 ImCo-Forest算法步骤 | 第34-35页 |
| 3.4 ImCo-Forest算法分析 | 第35-36页 |
| 3.5 实验与分析 | 第36-41页 |
| 3.5.1 实验设置 | 第36-37页 |
| 3.5.2 结果与分析 | 第37-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于改进的半监督学习算法的微博谣言检测 | 第42-55页 |
| 4.1 问题引出 | 第42页 |
| 4.2 检测框架 | 第42-48页 |
| 4.2.1 数据获取 | 第43-45页 |
| 4.2.2 数据处理 | 第45-46页 |
| 4.2.3 微博特征选择 | 第46-48页 |
| 4.3 实证验证 | 第48-52页 |
| 4.3.1 实验步骤 | 第48-49页 |
| 4.3.2 实验结果 | 第49-52页 |
| 4.4 系统设计 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 存在的问题及今后研究思路 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文列表 | 第63-64页 |
| 附件 | 第64页 |
