基于大数据平台的在线评论有效性模型的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题背景 | 第9页 |
| 1.2 课题研究现状 | 第9-10页 |
| 1.3 课题研究内容及目标 | 第10-11页 |
| 1.4 论文组织安排 | 第11-13页 |
| 第二章 相关技术和理论基础 | 第13-27页 |
| 2.1 评价对象 | 第13-14页 |
| 2.2 评价目标 | 第14-15页 |
| 2.3 文本去重算法 | 第15-17页 |
| 2.3.1 编辑距离算法 | 第15页 |
| 2.3.2 余弦相似度算法 | 第15-16页 |
| 2.3.3 Simhash算法 | 第16-17页 |
| 2.4 特征选择算法 | 第17-19页 |
| 2.4.1 文档频率 | 第17-18页 |
| 2.4.2 TF-IDF | 第18页 |
| 2.4.3 信息增益 | 第18-19页 |
| 2.5 机器学习相关技术 | 第19-22页 |
| 2.5.1 监督学习 | 第19-21页 |
| 2.5.2 无监督学习 | 第21-22页 |
| 2.6 LDA主题模型 | 第22-25页 |
| 2.6.1 LDA主题模型介绍 | 第22-23页 |
| 2.6.2 LDA模型推理 | 第23-24页 |
| 2.6.3 基于LDA主题模型的相关拓展研究 | 第24-25页 |
| 2.7 大数据相关技术简介 | 第25-26页 |
| 2.7.1 Hadoop简介 | 第25-26页 |
| 2.7.2 Spark简介 | 第26页 |
| 2.8 总结 | 第26-27页 |
| 第三章 均衡化评论选择算法设计与推理 | 第27-43页 |
| 3.1 算法概述 | 第27-29页 |
| 3.1.1 在线商品评论集的特征分析 | 第27-28页 |
| 3.1.2 在线商品评论集的价值分析 | 第28-29页 |
| 3.1.3 算法架构 | 第29页 |
| 3.2 数据初始化 | 第29-32页 |
| 3.2.1 数据去重 | 第29-30页 |
| 3.2.2 数据清洗 | 第30-32页 |
| 3.2.3 分词和特征提取 | 第32页 |
| 3.3 在线商品评论质量与多样化的分析 | 第32-35页 |
| 3.3.1 评论集质量 | 第32-34页 |
| 3.3.2 评论集的多样性 | 第34-35页 |
| 3.4 评论选择算法 | 第35-36页 |
| 3.5 UTOSU模型设计与分析 | 第36-41页 |
| 3.5.1 UTOSU模型的生成过程 | 第37-39页 |
| 3.5.2 UTOSU模型参数设计 | 第39-40页 |
| 3.5.3 UTOSU模型推理 | 第40-41页 |
| 3.6 总结 | 第41-43页 |
| 第四章 算法实现与结果评估 | 第43-57页 |
| 4.1 实验准备 | 第44-47页 |
| 4.1.1 实验环境 | 第44-45页 |
| 4.1.2数据集 | 第45-47页 |
| 4.2 UTOSU模型实验分析与验证 | 第47-50页 |
| 4.2.1 实验设置 | 第47页 |
| 4.2.2 情感分类精度与主题个数的关系 | 第47-48页 |
| 4.2.3 主题观点发现 | 第48-49页 |
| 4.2.4 情感分类精度 | 第49-50页 |
| 4.3 均衡化评论选择算法 | 第50-54页 |
| 4.3.1 实验设置 | 第50-51页 |
| 4.3.2 评论集质量分析 | 第51-52页 |
| 4.3.3 评论集多样性分析 | 第52-53页 |
| 4.3.4 不同评论选择算法对比 | 第53-54页 |
| 4.4 总结 | 第54-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 研究展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
