电子商务中虚假评论检测研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 引言 | 第12页 |
| 1.2 相关研究工作 | 第12-14页 |
| 1.3 研究目的和研究方法 | 第14-15页 |
| 1.3.1 研究目的 | 第14-15页 |
| 1.3.2 研究方法 | 第15页 |
| 1.4 论文主要创新点 | 第15页 |
| 1.5 主要研究内容 | 第15-16页 |
| 1.6 论文基本框架 | 第16-19页 |
| 第2章 相关算法介绍 | 第19-33页 |
| 2.1 支持向量机 | 第19-20页 |
| 2.2 基于树结构的本体概念相似度算法 | 第20-23页 |
| 2.2.1 树结构模型的构建 | 第21-22页 |
| 2.2.2 树结构相似度计算 | 第22页 |
| 2.2.3 算法描述 | 第22-23页 |
| 2.2.4 整体计算步骤 | 第23页 |
| 2.3 PU-Learning算法 | 第23-33页 |
| 2.3.1 PU学习算法识别虚假评论 | 第24-32页 |
| 2.3.2 建立最终分类器 | 第32-33页 |
| 第3章 评论文本静态特征识别方法 | 第33-44页 |
| 3.1 引言 | 第33页 |
| 3.2 基于树形结构的评论文本相似度度量算法 | 第33-41页 |
| 3.2.1 评论树结构定义 | 第33-35页 |
| 3.2.2 评论的树形结构生成 | 第35-36页 |
| 3.2.3 树形结构的相似性度量 | 第36-40页 |
| 3.2.4 树形结构的相似性合成 | 第40-41页 |
| 3.3 实验分析 | 第41-43页 |
| 3.3.1 实验数据集 | 第41页 |
| 3.3.2 实验结果及分析 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 融合用户评论动态信息的检测方法 | 第44-53页 |
| 4.1 引言 | 第44-45页 |
| 4.2 动态特征提取 | 第45-47页 |
| 4.2.1 动态信息 | 第45-46页 |
| 4.2.2 时序分析模型 | 第46-47页 |
| 4.3 实验分析 | 第47-52页 |
| 4.3.1 实验数据预处理 | 第47-49页 |
| 4.3.2 用户动态特征分析 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 融合动态特征与静态特征的虚假评论检测方法 | 第53-63页 |
| 5.1 评论可疑概率的获取过程 | 第53-54页 |
| 5.2 实验及结果分析 | 第54-55页 |
| 5.2.1 实验数据集 | 第54-55页 |
| 5.2.2 参数敏感性实验 | 第55页 |
| 5.3 特征模型有效性检验 | 第55-56页 |
| 5.4 PU-learning分类策略 | 第56-59页 |
| 5.5 实验分析 | 第59-61页 |
| 5.5.1 实验数据 | 第59页 |
| 5.5.2 实验结果 | 第59-61页 |
| 5.6 小结 | 第61-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 主要研究内容总结 | 第63页 |
| 6.2 下一步研究工作展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 硕士学位期间发表论文及科研情况 | 第71页 |
