微博水军识别研究
| 内容摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 引言 | 第9-16页 |
| 1.1 水军的定义 | 第9-10页 |
| 1.2 水军的发展历史 | 第10-11页 |
| 1.3 水军的危害 | 第11页 |
| 1.4 水军判别文献综述 | 第11-12页 |
| 1.6 水军判别的难点 | 第12-14页 |
| 1.7 本文研究方法概述 | 第14-16页 |
| 第二章 数据准备 | 第16-28页 |
| 2.1 数据总体 | 第16页 |
| 2.2 数据获取 | 第16页 |
| 2.3 数据介绍 | 第16-23页 |
| 2.4 数据预处理 | 第23-24页 |
| 2.5 特征选取 | 第24-27页 |
| 2.6 词向量 | 第27-28页 |
| 第三章 文本分类的水军判别方法 | 第28-47页 |
| 3.1 特征词的判别方法 | 第28-32页 |
| 3.1.1 特征词词库 | 第28-29页 |
| 3.1.2 用文本与词库的距离进行判别 | 第29-31页 |
| 3.1.3 对距离得分的修正 | 第31-32页 |
| 3.1.4 小结 | 第32页 |
| 3.2 文本内容的监督学习文本分类方法 | 第32-38页 |
| 3.2.1 句的表征 | 第33-34页 |
| 3.2.2 对整句的分类模型 | 第34页 |
| 3.2.3 Fasttext | 第34-35页 |
| 3.2.4 SVM | 第35-36页 |
| 3.2.5 LSTM | 第36-37页 |
| 3.2.6 初始权重设置优化 | 第37页 |
| 3.2.7 小结 | 第37-38页 |
| 3.3 文本内容的半监督机器学习方法 | 第38-47页 |
| 3.3.1 数据集 | 第38-39页 |
| 3.3.2 半监督文本分类模式 | 第39-40页 |
| 3.3.3 难样本 | 第40-41页 |
| 3.3.4 模型比较 | 第41-42页 |
| 3.3.5 文本序列表征的比较 | 第42-43页 |
| 3.3.6 性能 | 第43-44页 |
| 3.3.7 标注集文本自动生成 | 第44-46页 |
| 3.3.8 小结 | 第46-47页 |
| 第四章 文本聚类的水军判别方法 | 第47-56页 |
| 4.1 多文本间相似性的水军判别方法 | 第47-50页 |
| 4.1.1 simHash | 第47-48页 |
| 4.1.2 Hammingdistance | 第48-49页 |
| 4.1.3 中文文本长度特征的使用 | 第49-50页 |
| 4.1.4 小结 | 第50页 |
| 4.2 文本聚类的水军判别方法 | 第50-56页 |
| 4.2.1 相似性距离介绍 | 第51-52页 |
| 4.2.2 Minibatch-kmeans | 第52页 |
| 4.2.3 相似性衡量标准 | 第52-53页 |
| 4.2.4 实验和优化 | 第53-55页 |
| 4.2.5 小结 | 第55-56页 |
| 第五章 账号分类的水军判别方法 | 第56-60页 |
| 5.1 账号属性的水军判别方法 | 第56-60页 |
| 5.1.1 账号属性判别 | 第56-58页 |
| 5.1.2 特征补充 | 第58-59页 |
| 5.1.3 小结 | 第59-60页 |
| 第六章 基于社群发现方法的水军判别方法 | 第60-63页 |
| 6.1 多账号间社群关系发现的水军判别方法 | 第60-63页 |
| 6.1.1 社交群组关系 | 第60-61页 |
| 6.1.2 社交群组发现方法 | 第61-62页 |
| 6.1.3 关联算法 | 第62页 |
| 6.1.4 小结 | 第62-63页 |
| 第七章 应用 | 第63-73页 |
| 7.1 案例一：市场需求点挖掘 | 第63-67页 |
| 7.2 案例二：品牌表现评估 | 第67-68页 |
| 7.3 案例三：不同水军类型的判别 | 第68-71页 |
| 7.4 案例四：自媒体账号与媒体平台的评估 | 第71-73页 |
| 第八章 结论(结语) | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-77页 |
