社交网络上的可信度分析
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 谣言检测 | 第11-13页 |
| 1.2.2 情感分析 | 第13-14页 |
| 1.3 本文的主要研究工作 | 第14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第二章 数据采集与预处理 | 第15-29页 |
| 2.1 数据采集与存储 | 第15-22页 |
| 2.1.1 网络爬虫数据采集 | 第15-18页 |
| 2.1.2 微博数据采集 | 第18-21页 |
| 2.1.3 数据结构化与存储 | 第21-22页 |
| 2.1.4 数据采集成果 | 第22页 |
| 2.2 数据预处理 | 第22-28页 |
| 2.2.1 数据清洗 | 第23-24页 |
| 2.2.2 分词与停用词 | 第24-25页 |
| 2.2.3 基于情感词典预处理 | 第25-27页 |
| 2.2.4 特征降维 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 社交网络中用户可信度分析 | 第29-44页 |
| 3.1 用户虚拟身份识别 | 第29-38页 |
| 3.1.1 用户属性特征 | 第29-30页 |
| 3.1.2 用户行为特征 | 第30-32页 |
| 3.1.3 用户特征选择 | 第32-34页 |
| 3.1.4 基于SVM的用户虚拟身份识别 | 第34-36页 |
| 3.1.5 实验结果分析 | 第36-38页 |
| 3.2 用户关系分析 | 第38-43页 |
| 3.2.1 聚类算法分析 | 第38-41页 |
| 3.2.2 实验结果分析 | 第41-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第四章 社交网络中内容可信度分析 | 第44-55页 |
| 4.1 基于机器学习算法的评论极性分析 | 第44-50页 |
| 4.1.1 文本分类算法 | 第44-46页 |
| 4.1.2 基于集成学习的改进 | 第46-48页 |
| 4.1.3 算法结果比对 | 第48-50页 |
| 4.2 基于用户关系的内容可信度分析 | 第50-52页 |
| 4.3 实验结果分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 总结 | 第55-57页 |
| 5.1 全文总结 | 第55-56页 |
| 5.2 下一步工作展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表的学术论文目录 | 第62页 |
