| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 研究背景 | 第14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 社交媒体信息内容可信度的影响因素 | 第15-16页 |
| 1.2.2 网络信息内容可信度测度方法 | 第16-18页 |
| 1.3 研究意义 | 第18-19页 |
| 1.4 研究内容及方法 | 第19-21页 |
| 1.4.1 研究内容及框架 | 第19页 |
| 1.4.2 技术路线图 | 第19-20页 |
| 1.4.3 研究方法 | 第20-21页 |
| 1.4.4 创新点 | 第21页 |
| 1.5 本章小结 | 第21-22页 |
| 第2章 理论基础 | 第22-26页 |
| 2.1 贝叶斯推理的可信度测度 | 第22页 |
| 2.2 贝叶斯网络的可信度测度 | 第22-24页 |
| 2.2.1 贝叶斯网络相关概念 | 第22-23页 |
| 2.2.3 贝叶斯网络的应用 | 第23-24页 |
| 2.3 迁移学习的可信度测度 | 第24-25页 |
| 2.4 集体智慧的可信度测度 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于贝叶斯理论的社交媒体网络信息内容可信度测度 | 第26-35页 |
| 3.1 基于贝叶斯推理的可信度测度 | 第26-27页 |
| 3.2 基于贝叶斯决策的最小错误率评价模型 | 第27-29页 |
| 3.2.1 基于贝叶斯决策的分类 | 第27-28页 |
| 3.2.2 类条件概率密度函数 | 第28页 |
| 3.2.3 最小错误率公式 | 第28-29页 |
| 3.3 模型实例 | 第29-30页 |
| 3.4 实验验证 | 第30-34页 |
| 3.4.1 实验思路及数据集 | 第30-31页 |
| 3.4.2 实验结果 | 第31-33页 |
| 3.4.3 结果讨论 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于贝叶斯网络的社交媒体网络信息内容可信度测度 | 第35-50页 |
| 4.1 基于贝叶斯网络的可信度测度模型 | 第35-37页 |
| 4.1.1 可信度测度模型构建 | 第35-36页 |
| 4.1.2 贝叶斯网络的节点可信度测度公式 | 第36-37页 |
| 4.2 模型实例 | 第37-41页 |
| 4.2.1 贝叶斯网络有向无环图及条件概率表 | 第37-39页 |
| 4.2.2 参数学习 | 第39-40页 |
| 4.2.3 直接可信值 | 第40页 |
| 4.2.4 间接可信值 | 第40-41页 |
| 4.2.5 可信度 | 第41页 |
| 4.3 可信度测度模型评价 | 第41-43页 |
| 4.3.1 最小错误率 | 第41-43页 |
| 4.3.2 分类精确度 | 第43页 |
| 4.4 实验验证 | 第43-48页 |
| 4.4.1 实验结果 | 第43-48页 |
| 4.4.2 结果讨论 | 第48页 |
| 4.5 本章小结 | 第48-50页 |
| 第5章 基于迁移学习的社交媒体网络信息内容的可信度测度 | 第50-56页 |
| 5.1 网络信息内容可信度测度迁移模型 | 第50-52页 |
| 5.2 实验验证 | 第52-55页 |
| 5.2.1 实验思路及数据集 | 第52-53页 |
| 5.2.2 实验结果 | 第53-54页 |
| 5.2.3 结果讨论 | 第54-55页 |
| 5.3 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 研究成果 | 第56-57页 |
| 研究展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62-64页 |
| 附录 1 3.3模型实例部分训练集的50条记录 | 第62-63页 |
| 附录 2 3.3模型实例部分测试集的50条记录 | 第63-64页 |
| 攻读学位期间发表的论文 | 第64-65页 |
| 致谢 | 第65页 |
