社交网络信息可信度实时评估的研究与应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 研究内容和创新点 | 第12-13页 |
| 1.2.1 研究内容 | 第12-13页 |
| 1.2.2 本文创新点 | 第13页 |
| 1.3 论文结构 | 第13-15页 |
| 第二章 现有信息可信度评估方案分析 | 第15-25页 |
| 2.1 文本分类 | 第15-17页 |
| 2.2 传统媒体信息可信度分析 | 第17-18页 |
| 2.3 社交媒体信息可信度分析 | 第18-24页 |
| 2.3.1 基于特征的可信度分类 | 第18-22页 |
| 2.3.2 基于图的可信度分类 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 可信度评估框架 | 第25-50页 |
| 3.1 定义 | 第25-28页 |
| 3.1.1 可信度的定义 | 第25-26页 |
| 3.1.2 问题定义 | 第26-27页 |
| 3.1.3 可信度评估框架的定义 | 第27-28页 |
| 3.2 推文话题检测及去重 | 第28-32页 |
| 3.3 数据集构建 | 第32-34页 |
| 3.4 数据预处理 | 第34-38页 |
| 3.4.1 数据清洗 | 第34-37页 |
| 3.4.2 数据降维 | 第37-38页 |
| 3.5 基于TF-IDF的多层特征提取 | 第38-44页 |
| 3.5.1 推文分词 | 第38-39页 |
| 3.5.2 词形还原 | 第39-40页 |
| 3.5.3 用户类和内容类特征提取 | 第40-42页 |
| 3.5.4 单词类特征提取 | 第42-43页 |
| 3.5.5 重构类特征提取 | 第43-44页 |
| 3.6 特征归一化及特征选择 | 第44-45页 |
| 3.7 模型构建 | 第45-49页 |
| 3.7.1 监督式学习过程 | 第45-46页 |
| 3.7.2 随机森林算法及参数优化 | 第46-49页 |
| 3.8 本章小结 | 第49-50页 |
| 第四章 推文可信度实时评估系统的设计与实现 | 第50-71页 |
| 4.1 系统的背景 | 第50-51页 |
| 4.2 系统需求分析 | 第51-54页 |
| 4.2.1 功能性需求分析 | 第51-53页 |
| 4.2.2 非功能性需求分析 | 第53-54页 |
| 4.3 系统总体设计 | 第54-57页 |
| 4.3.1 架构设计 | 第54-55页 |
| 4.3.2 关键技术 | 第55-57页 |
| 4.4 单词类特征提取算法设计与实现 | 第57-60页 |
| 4.4.1 单词类特征提取算法设计 | 第57-59页 |
| 4.4.2 单词类特征提取算法实现 | 第59-60页 |
| 4.5 Feed实时分类模块设计与实现 | 第60-67页 |
| 4.5.1 Feed分类模块设计 | 第60-61页 |
| 4.5.2 分区消费模型设计 | 第61-62页 |
| 4.5.3 生产模型设计 | 第62-63页 |
| 4.5.4 基于Storm的低延时分类模块设计 | 第63-64页 |
| 4.5.5 Feed实时分类模块实现 | 第64-67页 |
| 4.6 热点地区可视化模块设计与实现 | 第67-70页 |
| 4.6.1 热点地区可视化模块设计 | 第67-69页 |
| 4.6.2 热点地区可视化模块实现 | 第69-70页 |
| 4.7 本章小结 | 第70-71页 |
| 第五章 测试和性能分析 | 第71-82页 |
| 5.1 功能测试 | 第71-74页 |
| 5.1.1 测试环境 | 第71页 |
| 5.1.2 可视化模块测试 | 第71-72页 |
| 5.1.3 实时分类模块测试 | 第72-74页 |
| 5.2 混淆矩阵 | 第74页 |
| 5.3 评估指标 | 第74-76页 |
| 5.4 结果分析 | 第76-81页 |
| 5.4.1 数据分析 | 第76-77页 |
| 5.4.2 性能分析 | 第77-81页 |
| 5.5 本章小结 | 第81-82页 |
| 第六章 总结和展望 | 第82-84页 |
| 6.1 研究工作总结 | 第82-83页 |
| 6.2 研究工作展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 攻读硕士期间取得的学术成果 | 第89-90页 |
