| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究的目的和意义 | 第10页 |
| 1.2 垃圾信息所引发的问题 | 第10-11页 |
| 1.3 本课题研究的主要内容 | 第11页 |
| 1.4 本文的主要工作和贡献 | 第11-13页 |
| 1.5 本文的组织结构 | 第13-14页 |
| 第2章 社会网络平台中的垃圾信息过滤综述 | 第14-23页 |
| 2.1 社会网络概述 | 第14-17页 |
| 2.1.1 社会网络的概述 | 第14-15页 |
| 2.1.2 社会网络的发展 | 第15-16页 |
| 2.1.3 社会网络的分类 | 第16-17页 |
| 2.2 国内外研究现状 | 第17-19页 |
| 2.3 垃圾信息的种类 | 第19-21页 |
| 2.3.1 随意信息 | 第19-20页 |
| 2.3.2 黄色反动言论 | 第20页 |
| 2.3.3 虚假广告 | 第20页 |
| 2.3.4 虚假获奖信息 | 第20-21页 |
| 2.4 过滤垃圾信息的方法 | 第21-22页 |
| 2.4.1 黑白名单过滤方法 | 第21页 |
| 2.4.2 基于规则和模式匹配过滤方法 | 第21页 |
| 2.4.3 机器学习过滤方法 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于机器学习的垃圾信息过滤技术研究 | 第23-35页 |
| 3.1 微博信息的特征提取 | 第23-25页 |
| 3.1.1 基于词的特征提取方法 | 第23-24页 |
| 3.1.2 基于字节级N-grams的特征提取方法 | 第24-25页 |
| 3.2 机器学习算法 | 第25-30页 |
| 3.2.1 朴素贝叶斯过滤算法 | 第25-26页 |
| 3.2.2 逻辑回归过滤算法 | 第26-27页 |
| 3.2.3 SVM过滤算法 | 第27-30页 |
| 3.3 实验数据与评价指标 | 第30-31页 |
| 3.4 实验结果与分析 | 第31-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 SVM 增量式过滤算法研究 | 第35-43页 |
| 4.1 传统的SVM增量式学习算法 | 第35-36页 |
| 4.2 基于衰减因子的SVM增量式学习算法 | 第36-40页 |
| 4.3 实验结果与分析 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 垃圾信息过滤系统（SFS） | 第43-53页 |
| 5.1 垃圾信息过滤系统框架 | 第43-45页 |
| 5.2 垃圾信息过滤系统各模块 | 第45-50页 |
| 5.2.1 爬虫模块 | 第45-47页 |
| 5.2.2 标注模块 | 第47-48页 |
| 5.2.3 特征提取模块 | 第48-49页 |
| 5.2.4 过滤模块 | 第49-50页 |
| 5.2.5 日志模块 | 第50页 |
| 5.3 SFS系统评估 | 第50-52页 |
| 5.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的学术论文 | 第58-59页 |
| 致谢 | 第59页 |