微博恶意用户识别方法的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 恶意用户识别技术 | 第14-15页 |
| 1.2.2 机器学习在恶意用户识别中的应用 | 第15页 |
| 1.2.3 随机森林算法 | 第15-16页 |
| 1.2.4 Hadoop平台 | 第16-17页 |
| 1.3 提出问题 | 第17页 |
| 1.4 论文主要内容 | 第17-19页 |
| 2 相关技术 | 第19-27页 |
| 2.1 微博 | 第19-22页 |
| 2.1.1 微博及其特征 | 第19页 |
| 2.1.2 微博信息传播特点 | 第19-22页 |
| 2.2 爬虫技术 | 第22-24页 |
| 2.2.1 网络爬虫 | 第22-23页 |
| 2.2.2 微博爬虫 | 第23-24页 |
| 2.3 机器学习 | 第24-25页 |
| 2.4 Hadoop平台 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 微博恶意用户识别技术 | 第27-53页 |
| 3.1 数据获取 | 第27-31页 |
| 3.1.1 微博爬虫样本获取 | 第27-31页 |
| 3.1.2 购买粉丝样本获取 | 第31页 |
| 3.2 恶意用户特征分析 | 第31-38页 |
| 3.3 恶意用户识别算法 | 第38-44页 |
| 3.3.1 朴素贝叶斯算法 | 第38-39页 |
| 3.3.2 决策树 | 第39-42页 |
| 3.3.3 随机森林算法 | 第42-44页 |
| 3.4 实验设计与结果分析 | 第44-52页 |
| 3.4.1 构建测试数据集 | 第44-45页 |
| 3.4.2 模型评价 | 第45-46页 |
| 3.4.3 设计与实现 | 第46-50页 |
| 3.4.4 结果与分析 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 4 基于Hadoop平台的微博恶意用户识别算法 | 第53-63页 |
| 4.1 引言 | 第53页 |
| 4.2 Hadoop平台 | 第53-58页 |
| 4.2.1 Hadoop架构 | 第53-54页 |
| 4.2.2 HDFS分布式文件系统 | 第54-56页 |
| 4.2.3 MapReduce编程模型 | 第56-58页 |
| 4.3 实验分析 | 第58-62页 |
| 4.3.1 实验准备 | 第58页 |
| 4.3.2 评价指标 | 第58页 |
| 4.3.3 结果与分析 | 第58-62页 |
| 4.4 本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |
