基于文本挖掘的垃圾短信过滤方法
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·研究背景 | 第11页 |
| ·垃圾短信的定义 | 第11-13页 |
| ·垃圾短信形成原因分析 | 第13页 |
| ·垃圾短信的危害性 | 第13-14页 |
| ·国内外垃圾整治现状 | 第14-15页 |
| ·国外垃圾短信整治现状 | 第14-15页 |
| ·国内垃圾短信整治状况 | 第15页 |
| ·本文的主要研究内容 | 第15-16页 |
| ·本文的组织结构 | 第16-18页 |
| 第二章 垃圾短信过滤技术 | 第18-28页 |
| ·文本挖掘技术 | 第18-25页 |
| ·文本特征提取 | 第19-23页 |
| ·文本分类 | 第23-24页 |
| ·文本挖掘在短信中的应用 | 第24-25页 |
| ·文本挖掘的其他应用 | 第25页 |
| ·现有垃圾短信过滤技术 | 第25-27页 |
| ·黑白名单技术 | 第25-26页 |
| ·规则过滤技术 | 第26-27页 |
| ·关键词过滤技术 | 第27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于协同神经网络的短信分类算法 | 第28-55页 |
| ·协同神经网络模型 | 第28-33页 |
| ·协同学的数学模型 | 第28-30页 |
| ·协同模式识别 | 第30-32页 |
| ·协同神经网络模型 | 第32-33页 |
| ·协同神经网络模型快速识别原理 | 第33页 |
| ·协同神经网络模型的改进 | 第33-35页 |
| ·协同神经网络的短信分类方法 | 第35-46页 |
| ·垃圾短信的内容特征 | 第35-36页 |
| ·短信文本特征抽取 | 第36-37页 |
| ·短信向量空间的预处理 | 第37-38页 |
| ·伴随向量的学习算法 | 第38-40页 |
| ·序参量快速获取 | 第40-41页 |
| ·人工干预模型 | 第41-43页 |
| ·自学习模型 | 第43-46页 |
| ·基于MapReduce 的短息分类算法 | 第46-52页 |
| ·MapReduce 执行过程 | 第46-47页 |
| ·基于MapReduce 机器学习框架 | 第47-48页 |
| ·协同神经网络的MapReduce 的实现 | 第48-52页 |
| ·实验结果与分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第四章 基于抽样的短信流过滤方法 | 第55-74页 |
| ·抽样的短信流过滤方法 | 第55-57页 |
| ·系统主要处理流程 | 第57-70页 |
| ·短信流量预测方法 | 第57-58页 |
| ·抽样样本估计 | 第58-59页 |
| ·用户可信值检测模块 | 第59-61页 |
| ·短信文字信息处理模块 | 第61-70页 |
| ·实验与分析 | 第70-73页 |
| ·实验评价标准 | 第70-71页 |
| ·实验结果与分析 | 第71-73页 |
| ·本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-76页 |
| ·总结 | 第74页 |
| ·展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 在学期间取得的研究成果 | 第81-82页 |
