基于电商评论的网络水军识别
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究的背景 | 第11页 |
| 1.1.2 研究的意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 2 网络水军识别技术 | 第15-25页 |
| 2.1 网络水军识别的概念 | 第15-17页 |
| 2.1.1 传统网络水军识别 | 第16页 |
| 2.1.2 Web2.0时代的网络水军识别 | 第16-17页 |
| 2.2 网络水军识别的主要技术 | 第17-24页 |
| 2.2.1 基于文本特征 | 第17-21页 |
| 2.2.2 基于用户行为 | 第21-24页 |
| 2.2.3 基于环境 | 第24页 |
| 2.3 本章小结 | 第24-25页 |
| 3 基于LDA主题模型和用户行为的网络水军识别 | 第25-34页 |
| 3.1 LDA主题模型 | 第25-29页 |
| 3.1.1 LDA的基本概念 | 第25-26页 |
| 3.1.2 LDA的形式化描述 | 第26-27页 |
| 3.1.3 LDA的参数估算 | 第27-28页 |
| 3.1.4 LDA模型的训练 | 第28-29页 |
| 3.1.5 LDA在电商评论中的应用 | 第29页 |
| 3.2 基于电商评论的用户行为定义 | 第29-32页 |
| 3.2.1 用户行为标准定义 | 第30页 |
| 3.2.2 网络水军的行为定义 | 第30-31页 |
| 3.2.3 总结 | 第31-32页 |
| 3.3 基于线性回归整合LDA模型与用户行为模型 | 第32-33页 |
| 3.3.1 线性回归简介 | 第32页 |
| 3.3.2 线性回归在本文应用 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 网络水军识别系统的设计与实现 | 第34-49页 |
| 4.1 整体架构设计 | 第34-35页 |
| 4.2 数据采集系统 | 第35-39页 |
| 4.2.1 数据采集系统流程设计 | 第35-36页 |
| 4.2.2 基于MongoDB的存储设计 | 第36-39页 |
| 4.3 LDA主题模型 | 第39-43页 |
| 4.3.1 LDA主题模型的生成 | 第39-42页 |
| 4.3.2 评论与主题模型的偏离程度 | 第42-43页 |
| 4.4 用户行为的计算 | 第43-45页 |
| 4.4.1 用户行为计算的流程设计 | 第44-45页 |
| 4.4.2 用户行为计算的具体设计 | 第45页 |
| 4.5 基于线性回归的结果整合 | 第45-48页 |
| 4.5.1 结果整合的流程设计 | 第45-46页 |
| 4.5.2 有监督的学习模型与评价体系 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 5 实验结果分析 | 第49-55页 |
| 5.1 系统环境与数据说明 | 第49-50页 |
| 5.1.1 软硬件环境 | 第49页 |
| 5.1.2 实验数据说明 | 第49-50页 |
| 5.2 实验与结果分析 | 第50-54页 |
| 5.2.1 参数初值的设定与人工标记 | 第50页 |
| 5.2.2 实验结果分析 | 第50-51页 |
| 5.2.3 对比试验 | 第51-54页 |
| 5.3 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 作者简历 | 第60-62页 |
| 学位论文数据集 | 第62页 |
