| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文的主要工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第二章 恶意用户检测与关键技术 | 第14-22页 |
| 2.1 社交网络与微博基础研究 | 第14-17页 |
| 2.1.1 社交网络节点分析 | 第14-15页 |
| 2.1.2 微博传播特点 | 第15-17页 |
| 2.2 主成分分析法研究 | 第17-20页 |
| 2.2.1 主成分分析法概述 | 第17页 |
| 2.2.2 主成分分析法原理 | 第17-20页 |
| 2.3 传统分类算法介绍 | 第20-21页 |
| 2.3.1 朴素贝叶斯 | 第20页 |
| 2.3.2 决策树 | 第20-21页 |
| 2.3.3 支持向量机 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于PCA算法的行为特征提取 | 第22-36页 |
| 3.1 用户样本获取 | 第22-26页 |
| 3.1.1 蜜罐账号 | 第22-23页 |
| 3.1.2 微博爬虫 | 第23-25页 |
| 3.1.3 购买微博推广服务 | 第25-26页 |
| 3.2 恶意用户特征分析 | 第26-29页 |
| 3.2.1 行为特征分析 | 第26-27页 |
| 3.2.2 其余特征分析 | 第27-29页 |
| 3.3 行为特征提取整体设计与分析 | 第29-35页 |
| 3.3.1 基于PCA提取恶意用户特征原理 | 第29-30页 |
| 3.3.2 PCA主成分特征分析 | 第30-33页 |
| 3.3.3 指标函数拟合新特征分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 恶意用户分类算法模型 | 第36-46页 |
| 4.1 恶意用户分类框架 | 第36-37页 |
| 4.2 支持向量机分类 | 第37-39页 |
| 4.2.1 SVM分类器设计 | 第37-38页 |
| 4.2.2 分类结果分析 | 第38-39页 |
| 4.3 改进分类算法系统设计 | 第39-43页 |
| 4.3.1 随机森林分类器设计 | 第39-42页 |
| 4.3.2 分类结果分析 | 第42-43页 |
| 4.4 PCA-Random Forest分类模型 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 分类系统实现与测试对比 | 第46-56页 |
| 5.1 测试方法与评估标准 | 第46-47页 |
| 5.2 特征维度选取比较测试 | 第47-52页 |
| 5.2.1 主成分特征维度 | 第47-50页 |
| 5.2.2 拟合函数特征维度 | 第50-52页 |
| 5.3 传统分类算法实验比较测试 | 第52-53页 |
| 5.4 PCA-Random Fores分类模型结果性能测试 | 第53-55页 |
| 5.4.1 主成分特征提取 | 第53页 |
| 5.4.2 随机森林算法分类 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 附录2 攻读硕士学位期间申请的专利 | 第62-63页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第63-64页 |
| 致谢 | 第64页 |