| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·引言 | 第10页 |
| ·研究意义 | 第10-11页 |
| ·国内外研究现状及存在的问题 | 第11-13页 |
| ·国内外研究现状 | 第11-12页 |
| ·存在的问题 | 第12-13页 |
| ·本文的主要研究内容 | 第13页 |
| ·论文结构 | 第13-14页 |
| ·本章小结 | 第14-16页 |
| 第2章 微博过滤相关技术 | 第16-32页 |
| ·微博过滤系统框架 | 第16-18页 |
| ·微博特征提取 | 第18-19页 |
| ·微博过滤常用机器学习算法 | 第19-30页 |
| ·逻辑回归算法 | 第19-21页 |
| ·支持向量机算法 | 第21-28页 |
| ·K 近邻算法 | 第28-29页 |
| ·朴素贝叶斯算法 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第3章 基于在线学习的微博过滤技术 | 第32-48页 |
| ·在线学习的微博过滤流程 | 第32-34页 |
| ·微博特征选择 | 第34-35页 |
| ·特征向量权重计算 | 第35-37页 |
| ·在线微博过滤 | 第37-41页 |
| ·在线逻辑回归模型的微博过滤 | 第37-39页 |
| ·在线支持向量机的微博过滤 | 第39-41页 |
| ·微博训练方法 | 第41-42页 |
| ·TOE 训练方法 | 第41页 |
| ·TONE 训练方法 | 第41-42页 |
| ·实验 | 第42-47页 |
| ·实验环境 | 第42-43页 |
| ·实验数据 | 第43-45页 |
| ·评价指标 | 第45页 |
| ·实验结果与分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 改进的在线支持向量机模型的微博过滤技术研究 | 第48-58页 |
| ·评价指标 1-ROCA 的计算方法 | 第48-50页 |
| ·改进的在线支持向量机模型 | 第50-52页 |
| ·减少训练集合的大小 | 第50-51页 |
| ·减少训练的次数 | 第51页 |
| ·减少迭代的次数 | 第51-52页 |
| ·在线支持向量机过滤算法的时间复杂度与空间复杂度 | 第52页 |
| ·时间复杂度 | 第52页 |
| ·空间复杂度 | 第52页 |
| ·实验结果与分析 | 第52-57页 |
| ·实验数据 | 第52-53页 |
| ·实验结果 | 第53-55页 |
| ·实验分析 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 研究反馈学习对微博过滤技术的影响 | 第58-64页 |
| ·基于用户反馈的微博过滤器 | 第58页 |
| ·微博反馈过滤模型流程 | 第58-59页 |
| ·基于反馈学习的微博过滤技术 | 第59页 |
| ·实验结果与分析 | 第59-63页 |
| ·本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71页 |