一种改进的朴素贝叶斯算法在垃圾短信用户识别中的应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11页 |
| 1.2 垃圾短信的成因 | 第11-12页 |
| 1.3 垃圾短信的危害 | 第12页 |
| 1.4 国内外垃圾短信整治情况 | 第12-16页 |
| 1.4.1 国外垃圾短信整治现状 | 第12-13页 |
| 1.4.2 国内垃圾短信整治现状 | 第13-14页 |
| 1.4.3 理论治理措施 | 第14-15页 |
| 1.4.4 运营商治理措施 | 第15-16页 |
| 1.5 垃圾短信技术管控中涉及的算法归类综述 | 第16-18页 |
| 1.6 论文的主要工作 | 第18-19页 |
| 第二章 分类挖掘算法的比较及建模算法的选取 | 第19-27页 |
| 2.1 数据挖掘技术概要 | 第19-20页 |
| 2.2 分类挖掘算法的概述及比较 | 第20-25页 |
| 2.2.1 神经网络算法 | 第20页 |
| 2.2.2 支持向量机算法 | 第20-21页 |
| 2.2.3 最近邻算法 | 第21-22页 |
| 2.2.4 逻辑回归算法 | 第22页 |
| 2.2.5 决策树算法 | 第22-23页 |
| 2.2.6 朴素贝叶斯算法 | 第23-24页 |
| 2.2.7 分类挖掘算法的比较 | 第24-25页 |
| 2.3 建模算法的选取 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 构造属性筛选器和改进朴素贝叶斯算法 | 第27-43页 |
| 3.1 工作概述 | 第27-28页 |
| 3.2 构造属性筛选器 | 第28-32页 |
| 3.2.1 属性选择的意义 | 第28-29页 |
| 3.2.2 常用的属性选择方法 | 第29-32页 |
| 3.3 过滤式属性选择的基本原理 | 第32-34页 |
| 3.4 属性约减 | 第34-39页 |
| 3.4.1 常用的相关性度量指标 | 第34-38页 |
| 3.4.2 相关属性约减的方法 | 第38-39页 |
| 3.5 构造属性筛选器 | 第39页 |
| 3.6 改进朴素贝叶斯算法 | 第39-41页 |
| 3.6.1 基于代价敏感的朴素贝叶斯算法 | 第39-41页 |
| 3.6.2 基于阈值的改进朴素贝叶斯算法 | 第41页 |
| 3.7 建模流程 | 第41-42页 |
| 3.8 本章小结 | 第42-43页 |
| 第四章 构建指标体系和建模实证 | 第43-55页 |
| 4.1 垃圾短信行为特征分析 | 第43-45页 |
| 4.1.1 入网行为特征分析 | 第43-44页 |
| 4.1.2 通话行为特征分析 | 第44页 |
| 4.1.3 短信行为特征分析 | 第44页 |
| 4.1.4 消费行为特征分析 | 第44页 |
| 4.1.5 类别型特征标识 | 第44-45页 |
| 4.2 构建指标体系 | 第45-47页 |
| 4.2.1 入网行为分析指标 | 第46页 |
| 4.2.2 通话行为分析指标 | 第46页 |
| 4.2.3 短信行为分析指标 | 第46-47页 |
| 4.2.4 消费行为分析指标 | 第47页 |
| 4.2.5 类别型标识指标 | 第47页 |
| 4.3 建模实证 | 第47-52页 |
| 4.3.1 建模思路 | 第47-48页 |
| 4.3.2 建模工具和数据规模 | 第48-49页 |
| 4.3.3 确立挖掘算法 | 第49页 |
| 4.3.4 建模数据预处理 | 第49页 |
| 4.3.5 属性筛选 | 第49-51页 |
| 4.3.6 选择合适的分类阈值 | 第51-52页 |
| 4.4 建模结果与模型评估 | 第52-53页 |
| 4.5 实际应用和更新维护 | 第53-54页 |
| 4.5.1 实际应用 | 第53页 |
| 4.5.2 更新维护 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 总结与展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间取得的研究成果 | 第59-60页 |
| 致谢 | 第60-61页 |
| 附件 | 第61页 |
