| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题背景及意义 | 第12页 |
| 1.2 相关工作和研究现状 | 第12-16页 |
| 1.2.1 微博账户分析相关研究 | 第13-14页 |
| 1.2.2 不良账户发现相关研究 | 第14-15页 |
| 1.2.3 账户角色分析相关研究 | 第15-16页 |
| 1.3 主要研究内容 | 第16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 微博炒作账户研究框架 | 第18-24页 |
| 2.1 炒作账户的相关概念与分类 | 第18-20页 |
| 2.1.1 相关概念 | 第18-19页 |
| 2.1.2 炒作账户分类 | 第19-20页 |
| 2.2 炒作账户研究中的关键问题 | 第20-21页 |
| 2.3 炒作账户研究框架 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于特征分析的炒作账户识别方法 | 第24-40页 |
| 3.1 问题描述 | 第24-25页 |
| 3.1.1 相关概念 | 第24-25页 |
| 3.1.2 炒作账户识别模型 | 第25页 |
| 3.2 炒作账户特征分析 | 第25-33页 |
| 3.2.1 属性集构建 | 第25-31页 |
| 3.2.2 特征选择 | 第31-33页 |
| 3.3 分类器选取 | 第33-35页 |
| 3.4 实验及结果分析 | 第35-37页 |
| 3.4.1 数据集 | 第35页 |
| 3.4.2 评价指标 | 第35-36页 |
| 3.4.3 结果分析 | 第36-37页 |
| 3.5 本章小结 | 第37-40页 |
| 第四章 基于最大频繁项集挖掘的炒作群体发现方法 | 第40-54页 |
| 4.1 问题描述 | 第40-41页 |
| 4.1.1 相关概念 | 第40-41页 |
| 4.1.2 关键问题 | 第41页 |
| 4.2 最大频繁项集挖掘技术研究 | 第41-48页 |
| 4.2.1 最大频繁项集挖掘算法分析 | 第41-42页 |
| 4.2.2 基于迭代交集的最大频繁项集挖掘算法 | 第42-48页 |
| 4.3 基于最大频繁项集挖掘的炒作群体发现 | 第48-50页 |
| 4.3.1 炒作群体发现模型 | 第48页 |
| 4.3.2 炒作微博事务库构建 | 第48-49页 |
| 4.3.3 最大频繁项集归并 | 第49-50页 |
| 4.4 实验及结果分析 | 第50-53页 |
| 4.4.1 数据集 | 第50-51页 |
| 4.4.2 IIA算法性能评估 | 第51页 |
| 4.4.3 相关参数设定 | 第51-52页 |
| 4.4.4 结果分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 基于IK-means的炒作账户角色分析方法 | 第54-72页 |
| 5.1 问题描述 | 第54-57页 |
| 5.1.1 相关概念 | 第54-56页 |
| 5.1.2 相关工作介绍 | 第56-57页 |
| 5.1.3 炒作账户角色分析模型 | 第57页 |
| 5.2 转发关系网络构建与特征向量提取 | 第57-61页 |
| 5.2.1 转发关系网络构建 | 第58-59页 |
| 5.2.2 特征向量提取 | 第59-61页 |
| 5.3 基于二分K-means的递增聚类算法 | 第61-64页 |
| 5.3.1 算法思想 | 第61-63页 |
| 5.3.2 贝叶斯信息准则 | 第63-64页 |
| 5.3.3 算法分析 | 第64页 |
| 5.4 炒作账户角色划分 | 第64-66页 |
| 5.5 实验及结果分析 | 第66-71页 |
| 5.5.1 数据集 | 第66-67页 |
| 5.5.2 IK-means算法评估 | 第67-68页 |
| 5.5.3 角色划分结果分析 | 第68-71页 |
| 5.6 本章小结 | 第71-72页 |
| 结束语 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 作者简历 | 第80页 |