一种基于支持向量机的垃圾微博识别方法
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-17页 |
| ·微博 | 第8-9页 |
| ·微博特性 | 第9-10页 |
| ·碎片化 | 第9页 |
| ·多方式接入性 | 第9页 |
| ·信息传播性 | 第9页 |
| ·话题多样性 | 第9-10页 |
| ·交互方向 | 第10页 |
| ·微博中的垃圾现象 | 第10-11页 |
| ·垃圾危害 | 第11-12页 |
| ·研究现状 | 第12-15页 |
| ·网址处理 | 第12-13页 |
| ·URL 黑名单 | 第13页 |
| ·基于特征提取的垃圾识别 | 第13-14页 |
| ·垃圾用户行为策略分析 | 第14-15页 |
| ·用户检测 | 第15页 |
| ·主要研究工作 | 第15-16页 |
| ·论文结构 | 第16-17页 |
| 第二章 支持向量机与特征提取理论 | 第17-23页 |
| ·机器学习概述 | 第17页 |
| ·支持向量机 | 第17-21页 |
| ·构造最优超平面 | 第17-19页 |
| ·线性支持向量机的基本思想 | 第19页 |
| ·非线性分类 | 第19-20页 |
| ·核函数 | 第20页 |
| ·不平衡数据集 | 第20-21页 |
| ·向量空间模型 | 第21页 |
| ·词频逆文档频率 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 特征设计 | 第23-37页 |
| ·特征分析与设计 | 第23-31页 |
| ·文本特征 | 第23-24页 |
| ·符号特征 | 第24-26页 |
| ·链接特征 | 第26-28页 |
| ·时间特征 | 第28-29页 |
| ·用户自身特征 | 第29-31页 |
| ·散点图分析 | 第31-35页 |
| ·特征汇总 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 系统设计与实现 | 第37-48页 |
| ·引入 | 第37页 |
| ·功能需求 | 第37-38页 |
| ·系统总体结构 | 第38-39页 |
| ·文本过滤处理方法 | 第39-41页 |
| ·分词工具 ICTCLAS | 第40页 |
| ·停用词消除 | 第40-41页 |
| ·符号提取技术(正则表达式) | 第41页 |
| ·LIBSVM | 第41-43页 |
| ·LibSVM 数据格式 | 第41-42页 |
| ·归一化 | 第42页 |
| ·训练数据 | 第42-43页 |
| ·预测 | 第43页 |
| ·系统工作流设计 | 第43-47页 |
| ·预处理及训练阶段流程 | 第43-45页 |
| ·分类阶段 | 第45-46页 |
| ·分类过程（机器学习） | 第46页 |
| ·识别流程 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 实验与评估 | 第48-54页 |
| ·使用的数据集 | 第48页 |
| ·数据分析 | 第48-49页 |
| ·实验结果 | 第49页 |
| ·识别效果的评价标准 | 第49-50页 |
| ·实验对比 | 第50-51页 |
| ·PAJEK | 第51-52页 |
| ·系统展示 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第六章 总结 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 在学研究成果 | 第58-59页 |
| 致谢 | 第59页 |
