基于LSTM情感分析模型的微博谣言识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 谣言研究的发展 | 第11-12页 |
| 1.2.2 谣言的传播分析 | 第12-14页 |
| 1.2.3 微博谣言识别的研究现状 | 第14-15页 |
| 1.3 本文的主要研究内容 | 第15-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第二章 相关技术研究综述 | 第19-36页 |
| 2.1 谣言的相关介绍 | 第19-21页 |
| 2.1.1 传统生活谣言与现代网络谣言 | 第19-20页 |
| 2.1.2 微博谣言的相关特征 | 第20-21页 |
| 2.2 微博谣言识别的主要任务 | 第21-23页 |
| 2.3 传统机器学习的相关方法 | 第23-28页 |
| 2.3.1 基于有监督的机器学习方法 | 第23-27页 |
| 2.3.2 基于半监督的机器学习方法 | 第27-28页 |
| 2.4 神经网络与深度学习的相关算法 | 第28-35页 |
| 2.4.1 传统神经网络 | 第29-32页 |
| 2.4.2 卷积神经网络 | 第32-33页 |
| 2.4.3 循环神经网络 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于情感分析的微博谣言识别研究 | 第36-64页 |
| 3.1 微博文本来源可信度的界定 | 第36-40页 |
| 3.1.1 可信度的理论依据 | 第36-37页 |
| 3.1.2 微博文本来源可信度高低的界定方法 | 第37-40页 |
| 3.2 微博数据的采集与语料库的构建 | 第40-44页 |
| 3.2.1 基于微博API的采集方法 | 第40-42页 |
| 3.2.2 基于爬虫技术的采集方法 | 第42-43页 |
| 3.2.3 微博语料库的构建 | 第43-44页 |
| 3.3 微博谣言识别的方法 | 第44-55页 |
| 3.3.1 文本预处理 | 第44-49页 |
| 3.3.2 微博评论的情感分析 | 第49-51页 |
| 3.3.3 微博传播的模拟方法 | 第51-55页 |
| 3.4 基于LSTM情感分析的谣言识别模型 | 第55-63页 |
| 3.4.1 模型的提出 | 第55-56页 |
| 3.4.2 基于LSTM的情感分析 | 第56-60页 |
| 3.4.3 谣言识别模型的构建 | 第60-63页 |
| 3.5 本章小结 | 第63-64页 |
| 第四章 实验与分析 | 第64-75页 |
| 4.1 评价标准 | 第64-65页 |
| 4.2 数据集和处理策略 | 第65-66页 |
| 4.3 实验结果与对比分析 | 第66-74页 |
| 4.3.1 预训练词向量对实验结果的影响 | 第66-67页 |
| 4.3.2 情感差异值对实验结果的影响 | 第67-68页 |
| 4.3.3 加入的特征对实验结果的影响 | 第68-71页 |
| 4.3.4 不同模型的效果对比 | 第71-74页 |
| 4.4 本章小结 | 第74-75页 |
| 第五章 总结与展望 | 第75-77页 |
| 5.1 总结 | 第75-76页 |
| 5.2 展望 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间参加的科研项目与取得的科研成果 | 第82-83页 |
| 致谢 | 第83页 |
