| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第2章 相关技术和理论研究 | 第16-31页 |
| 2.1 微博用户行为特征 | 第16-18页 |
| 2.1.1 微博用户行为概述 | 第16页 |
| 2.1.2 用户行为特征生成 | 第16-18页 |
| 2.2 特征选择方法 | 第18-27页 |
| 2.2.1 特征选择概念以及基本过程 | 第18-20页 |
| 2.2.2 基于搜索策略的特征选择方法 | 第20-21页 |
| 2.2.3 基于评价准则的特征选择方法 | 第21-27页 |
| 2.3 学习算法与特征选择 | 第27-30页 |
| 2.3.1 学习算法中的特征选择 | 第27页 |
| 2.3.2 特征选择和学习算法结合情况 | 第27-29页 |
| 2.3.3 学习算法分类检测评估标准 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于Relief F和HS的耦合式特征选择算法 | 第31-46页 |
| 3.1 行为特征分析 | 第31-35页 |
| 3.1.1 用户状态特征分析 | 第31-32页 |
| 3.1.2 历史微博特征分析 | 第32-35页 |
| 3.2 一种基于ReF-HS的特征选择算法 | 第35-40页 |
| 3.2.1 ReF-HS算法整体描述 | 第35-36页 |
| 3.2.2 基于Relief F算法特征预筛选阶段 | 第36-37页 |
| 3.2.3 基于HS的Wrapper特征选择阶段 | 第37-40页 |
| 3.2.4 ReF-HS算法的评价函数 | 第40页 |
| 3.3 实验环境与方法 | 第40-42页 |
| 3.3.1 实验环境 | 第40-41页 |
| 3.3.2 实验方法 | 第41-42页 |
| 3.4 实验结果及分析 | 第42-45页 |
| 3.4.1 特征子集规模 | 第42-43页 |
| 3.4.2 算法的运行效率 | 第43-44页 |
| 3.4.3 分类检测结果比较 | 第44-45页 |
| 3.4.4 总结 | 第45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 垃圾用户的新检测特征 | 第46-62页 |
| 4.1 垃圾用户躲避策略分析 | 第46-49页 |
| 4.1.1 基于用户状态特征的垃圾用户躲避策略分析 | 第46-48页 |
| 4.1.2 基于历史微博特征的垃圾用户躲避策略分析 | 第48-49页 |
| 4.2 垃圾用户检测新特征 | 第49-58页 |
| 4.2.1 基于图的特征 | 第50-54页 |
| 4.2.2 基于邻居的特征 | 第54-56页 |
| 4.2.3 基于时间的特征 | 第56-58页 |
| 4.3 实验环境及检测指标 | 第58页 |
| 4.3.1 实验环境 | 第58页 |
| 4.3.2 检测指标 | 第58页 |
| 4.4 实验结果及分析 | 第58-61页 |
| 4.4.1 特征排序 | 第58-59页 |
| 4.4.2 分类检测结果比较 | 第59-60页 |
| 4.4.3 特征有效性验证 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 结束语 | 第62-64页 |
| 5.1 论文工作总结 | 第62-63页 |
| 5.2 研究后续工作 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第70-71页 |
| 附表 | 第71页 |
