| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 引言 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 论文主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第2章 论文相关知识 | 第14-30页 |
| 2.1 网页作弊方法分析 | 第14-15页 |
| 2.2 机器学习 | 第15-16页 |
| 2.3 分类算法 | 第16-26页 |
| 2.3.1 朴素贝叶斯算法 | 第17-18页 |
| 2.3.2 K最近邻(KNN)算法 | 第18页 |
| 2.3.3 支持向量机算法 | 第18-20页 |
| 2.3.4 决策树算法 | 第20-23页 |
| 2.3.5 随机森林算法 | 第23-26页 |
| 2.4 聚类算法 | 第26-29页 |
| 2.4.1 基于K均值算法 | 第26-27页 |
| 2.4.2 二分K均值算法 | 第27-29页 |
| 2.5 小结 | 第29-30页 |
| 第3章 基于随机森林算法的作弊网页检测方法 | 第30-39页 |
| 3.1 作弊网页数据集分类问题的解决方法 | 第30-33页 |
| 3.1.1 优化算法的方法 | 第30-31页 |
| 3.1.2 优化数据的方法 | 第31-33页 |
| 3.2 随机森林处理作弊网页数据集分类问题的改进-BKM_SMOTE算法 | 第33-34页 |
| 3.3 作弊网页检测系统设计 | 第34-38页 |
| 3.3.1 框架设计 | 第34-35页 |
| 3.3.2 特征提取模块 | 第35-36页 |
| 3.3.3 随机森林模块设计 | 第36页 |
| 3.3.4 数据库设计 | 第36-38页 |
| 3.3.5 反馈学习模块 | 第38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 实现结果与分析 | 第39-48页 |
| 4.1 数据集 | 第39-40页 |
| 4.2 实验环境 | 第40页 |
| 4.3 实验结果及分析 | 第40-46页 |
| 4.3.1 随机森林使用BKM_SMOTE算法提升性能的实证分析 | 第40-43页 |
| 4.3.2 作弊网页检测系统实证分析 | 第43-46页 |
| 4.3.3 系统检测效率 | 第46页 |
| 4.4 本章小结 | 第46-48页 |
| 第5章 结论 | 第48-50页 |
| 5.1 研究内容总结 | 第48页 |
| 5.2 工作展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-53页 |