| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 虚假评论 | 第14-15页 |
| 1.2.2 LDA与虚假评论 | 第15-16页 |
| 1.2.3 LDA、Word2vec与虚假评论 | 第16页 |
| 1.3 创新点与组织结构 | 第16-18页 |
| 1.3.1 创新点 | 第16-17页 |
| 1.3.2 组织结构 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 相关模型与算法介绍 | 第19-27页 |
| 2.1 概率主题模型LDA | 第19-21页 |
| 2.1.1 模型介绍 | 第19-20页 |
| 2.1.2 理论介绍 | 第20-21页 |
| 2.2 词向量模型WORD2VEC | 第21-23页 |
| 2.2.1 CBOW模型简介 | 第22页 |
| 2.2.2 Skip-gram模型简介 | 第22-23页 |
| 2.3 分类算法 | 第23-26页 |
| 2.3.1 支持向量机 | 第23-24页 |
| 2.3.2 Logistic回归 | 第24-25页 |
| 2.3.3 多层感知器 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 数据获取与处理 | 第27-33页 |
| 3.1 数据获取 | 第27-28页 |
| 3.2 数据格式处理 | 第28-30页 |
| 3.3 数据失衡处理 | 第30-32页 |
| 3.3.1 随机抽样失衡处理 | 第30页 |
| 3.3.2 LDA抽样失衡处理 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 LDA与 PW-WORD2VEC模型建立 | 第33-44页 |
| 4.1 词向量模型训练 | 第33-36页 |
| 4.1.1 词向量生成 | 第33-34页 |
| 4.1.2 生成评论特征向量 | 第34-36页 |
| 4.1.3 最优词向量的选取 | 第36页 |
| 4.2 构建LDA+WORD2VEC模型 | 第36-39页 |
| 4.2.1 LDA主题-词个数选取 | 第37-38页 |
| 4.2.2 LDA主题数选取 | 第38-39页 |
| 4.2.3 构建LDA+Word2vec模型 | 第39页 |
| 4.3 构建LDA+PW-WORD2VEC模型 | 第39-42页 |
| 4.3.1 PW-Word2vec模型描述 | 第40页 |
| 4.3.2 模型训练过程 | 第40-42页 |
| 4.4 模型评估方法 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 模型对比分析 | 第44-51页 |
| 5.1 LDA与随机抽样失衡处理实验对比 | 第44-46页 |
| 5.1.1 随机抽样失衡处理实验结果展示 | 第44-45页 |
| 5.1.2 LDA失衡处理实验结果展示 | 第45页 |
| 5.1.3 失衡处理实验对比 | 第45-46页 |
| 5.2 失衡处理与非失衡处理实验对比 | 第46-48页 |
| 5.2.1 非失衡处理基线实验结果展示 | 第46-47页 |
| 5.2.2 失衡处理与非失衡处理实验对比 | 第47-48页 |
| 5.3 LDA+PW-WORD2VEC与LDA+WORD2VEC实验对比 | 第48-50页 |
| 5.3.1 LDA+PW-Word2vec模型结果 | 第48-49页 |
| 5.3.2 LDA+PW-Word2vec与LDA+Word2vec模型对比 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结和展望 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58页 |
