| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11页 |
| 1.3 本文的内容结构 | 第11-13页 |
| 1.4 研究的创新点 | 第13-14页 |
| 2 在线商品评论研究综述 | 第14-28页 |
| 2.1 在线商品评论形成动因及影响研究 | 第14-17页 |
| 2.1.1 在线商品评论形成动因 | 第14-15页 |
| 2.1.2 在线商品评论影响研究 | 第15-17页 |
| 2.2 在线商品评论可信度研究 | 第17-19页 |
| 2.2.1 在线商品评论可信度影响因素 | 第17-18页 |
| 2.2.2 在线商品评论可信度预测模型 | 第18-19页 |
| 2.3 在线商品评论的意见挖掘研究 | 第19-22页 |
| 2.3.1 在线商品评论的产品特征挖掘 | 第20-21页 |
| 2.3.2 在线商品评论的情感倾向挖掘 | 第21-22页 |
| 2.4 文本分类研究 | 第22-28页 |
| 2.4.1 文本预处理 | 第22-23页 |
| 2.4.2 文本表示 | 第23页 |
| 2.4.3 特征选择降维 | 第23-24页 |
| 2.4.4 分类算法 | 第24-26页 |
| 2.4.5 分类性能评估 | 第26-28页 |
| 3 在线商品评论可信度影响因素分析 | 第28-36页 |
| 3.1 虚假在线商品评论特征分析 | 第28-32页 |
| 3.1.1 虚假在线商品评论形成过程 | 第28-31页 |
| 3.1.2 各类型虚假评论的特点 | 第31-32页 |
| 3.2 在线商品评论可信度特征指标构建 | 第32-36页 |
| 3.2.1 基于评论内容的特征指标 | 第32-33页 |
| 3.2.2 基于评论者的特征指标 | 第33-34页 |
| 3.2.3 基于商家的特征指标 | 第34-36页 |
| 4 基于DDAG-SVM的在线商品评论可信度预测模型 | 第36-52页 |
| 4.1 支持向量机简述 | 第36-42页 |
| 4.1.1 支持向量机基本原理 | 第36-40页 |
| 4.1.2 支持向量机多分类算法 | 第40-42页 |
| 4.2 基于DDAG-SVM的评论可信度预测算法设计 | 第42-46页 |
| 4.2.1 算法思想 | 第42-43页 |
| 4.2.2 算法步骤 | 第43-46页 |
| 4.3 基于商品属性的评论情感倾向离群度评估 | 第46-52页 |
| 4.3.1 评论商品相关属性抽取 | 第46-49页 |
| 4.3.2 基于细粒度的评论情感倾向离群度评估算法 | 第49-52页 |
| 5 基于DDAG-SVM的在线商品评论可信度预测实验 | 第52-57页 |
| 5.1 样本数据的获取与标注 | 第52-53页 |
| 5.2 模型实现 | 第53-55页 |
| 5.2.1 样本数据格式化处理 | 第53-54页 |
| 5.2.2 分类器构建 | 第54-55页 |
| 5.3 实验结果对比分析 | 第55-57页 |
| 6 总结和展望 | 第57-58页 |
| 附录 | 第58-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间所取得的相关科研成果 | 第67-68页 |
| 致谢 | 第68页 |
