炒作微博的特征分析与识别研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本论文研究内容及章节安排 | 第13-16页 |
| 1.3.1 本论文研究内容 | 第13-14页 |
| 1.3.2 本论文章节安排 | 第14-16页 |
| 第2章 相关理论基础与分析 | 第16-23页 |
| 2.1 支持向量机 | 第16-19页 |
| 2.1.1 构造最优分类超平面 | 第16-17页 |
| 2.1.2 线性支持向量机 | 第17-18页 |
| 2.1.3 非线性可分支持向量机 | 第18-19页 |
| 2.1.4 核函数选择 | 第19页 |
| 2.2 PSO算法理论 | 第19-21页 |
| 2.2.1 PSO概述 | 第19-20页 |
| 2.2.2 PSO的改进 | 第20-21页 |
| 2.3 遗传算法简介 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 微博特征分析与提取 | 第23-34页 |
| 3.1 引言 | 第23页 |
| 3.2 社团模块度 | 第23-26页 |
| 3.2.1 社团模块度定义 | 第23-24页 |
| 3.2.2 传播结构图分析 | 第24-25页 |
| 3.2.3 社团模块度提取方法 | 第25-26页 |
| 3.3 平均最短路径 | 第26-29页 |
| 3.3.1 最短路径定义 | 第26-27页 |
| 3.3.2 散点图分析 | 第27-28页 |
| 3.3.3 平均最短路径提取方法 | 第28-29页 |
| 3.4 关键用户属性特征 | 第29-33页 |
| 3.4.1 关键用户及声望值定义 | 第29-30页 |
| 3.4.2 累积分布函数曲线图分析 | 第30-32页 |
| 3.4.3 关键用户属性特征提取方法 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于优化的SVM分类器识别炒作微博 | 第34-51页 |
| 4.1 引言 | 第34页 |
| 4.2 结构框架 | 第34-35页 |
| 4.3 数据预处理 | 第35-37页 |
| 4.3.1 libsvm及matlab工具 | 第35-36页 |
| 4.3.2 归一化及降维预处理 | 第36-37页 |
| 4.4 分类器构造及训练识别 | 第37-48页 |
| 4.4.1 交叉验证方法 | 第37-38页 |
| 4.4.2 分类器构造及对比 | 第38-42页 |
| 4.4.3 分类器训练 | 第42-48页 |
| 4.4.4 分类和识别流程 | 第48页 |
| 4.5 主要实现算法 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 实验结果与分析 | 第51-58页 |
| 5.1 数据准备及分析 | 第51-53页 |
| 5.1.1 数据准备 | 第51页 |
| 5.1.2 数据分析 | 第51-53页 |
| 5.2 实验评价指标 | 第53页 |
| 5.3 三种分类器分类结果对比与分析 | 第53-56页 |
| 5.4 本章小结 | 第56-58页 |
| 结论与展望 | 第58-60页 |
| 结论 | 第58-59页 |
| 进一步工作 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第66页 |
