| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及研究意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 虚假评论识别研究现状 | 第12-14页 |
| 1.2.2 半监督学习研究现状 | 第14-15页 |
| 1.2.3 小结 | 第15-16页 |
| 1.3 研究内容和创新点 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 技术路线和创新点 | 第17-18页 |
| 第二章 虚假评论识别和半监督学习相关理论 | 第18-24页 |
| 2.1 虚假评论识别相关理论 | 第18-21页 |
| 2.1.1 虚假评论介绍 | 第18-19页 |
| 2.1.2 虚假评论识别方法 | 第19-21页 |
| 2.2 半监督学习相关理论 | 第21-23页 |
| 2.2.1 半监督学习原理 | 第21-22页 |
| 2.2.2 半监督学习分类 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 数据预处理和特征构建 | 第24-40页 |
| 3.1 数据描述 | 第24-31页 |
| 3.1.1 获取源数据 | 第24-26页 |
| 3.1.2 分布分析 | 第26-31页 |
| 3.2 训练集构建 | 第31-34页 |
| 3.2.1 重复评论 | 第31-33页 |
| 3.2.2 数据标注 | 第33-34页 |
| 3.3 特征构建 | 第34-39页 |
| 3.3.1 特征概述 | 第34-35页 |
| 3.3.2 特征集合 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于半监督学习的虚假评论识别方法 | 第40-52页 |
| 4.1 基于CO-TRAINING算法的虚假评论识别模型 | 第40-44页 |
| 4.1.1 CO-TRAINING算法 | 第40-42页 |
| 4.1.2 基于CO-TRAINING算法的虚假评论识别算法 | 第42-44页 |
| 4.2 基于TRI-TRAINING算法的虚假评论识别模型 | 第44-48页 |
| 4.2.1 TRI-TRAINING算法 | 第44-46页 |
| 4.2.2 基于TRI-TRAINING算法的虚假评论识别算法 | 第46-48页 |
| 4.3 基于CO-FOREST算法的虚假评论识别模型 | 第48-51页 |
| 4.3.1 CO-FOREST算法 | 第48-50页 |
| 4.3.2 基于CO-FOREST算法的虚假评论识别模型 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实验结果与分析 | 第52-61页 |
| 5.1 实验平台与评价指标 | 第52-53页 |
| 5.2 基于全监督框架的最优特征选择 | 第53-56页 |
| 5.2.1 全监督框架 | 第53-54页 |
| 5.2.2 特征实验结果 | 第54-56页 |
| 5.3 基于半监督学习的虚假评论识别模型实验结果分析 | 第56-60页 |
| 5.3.1 基于不同半监督学习算法的实验设计与结果分析 | 第56-58页 |
| 5.3.2 标注数据比例和参数敏感性的实验结果分析 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 结论与展望 | 第61-63页 |
| 6.1 研究结论 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文 | 第67-68页 |
| 后记 | 第68页 |
