基于规则和统计的网络不良信息识别研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 网络发展现状 | 第13-14页 |
| 1.2.2 社交应用发展现状 | 第14-15页 |
| 1.2.3 互联网不良信息及传播特征 | 第15-16页 |
| 1.3 论文研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 相关理论和技术 | 第19-26页 |
| 2.1 文本信息的预处理 | 第19页 |
| 2.2 成熟的自动分词技术 | 第19-22页 |
| 2.2.1 基于词典的机械分词方法 | 第20页 |
| 2.2.2 基于统计的分词方法 | 第20-21页 |
| 2.2.3 基于人工智能的分词方法 | 第21-22页 |
| 2.3 文本特征表示 | 第22页 |
| 2.3.1 布尔模型 | 第22页 |
| 2.3.2 概率模型 | 第22页 |
| 2.3.3 向量空间模型 | 第22页 |
| 2.4 文本的特征提取方法 | 第22-23页 |
| 2.5 特征降维方法 | 第23-24页 |
| 2.6 数据采集方法 | 第24-25页 |
| 2.7 本章研究内容 | 第25-26页 |
| 第三章 不良信息文本分类 | 第26-43页 |
| 3.1 文本分类算法介绍 | 第26-28页 |
| 3.1.1 文本分类流程 | 第26-28页 |
| 3.1.2 分类结果评价 | 第28页 |
| 3.2 不良词词库构建 | 第28-31页 |
| 3.2.1 不良信息表现形式 | 第28-29页 |
| 3.2.2 变形不良词语种类 | 第29页 |
| 3.2.3 不良词库设计 | 第29-31页 |
| 3.3 文本特征选择 | 第31-36页 |
| 3.3.1 基于权重的特征选择 | 第31-32页 |
| 3.3.2 基于依存句法的特征选择 | 第32-35页 |
| 3.3.3 文本相似度计算 | 第35-36页 |
| 3.4 文本分类算法选取 | 第36-40页 |
| 3.4.1 朴素贝叶斯模型 | 第36-39页 |
| 3.4.2 决策树模型 | 第39-40页 |
| 3.5 实验设计与测试 | 第40-43页 |
| 3.5.1 实验环境 | 第40页 |
| 3.5.2 数据集选取 | 第40-41页 |
| 3.5.3 数据预处理 | 第41页 |
| 3.5.4 分类结果评价 | 第41-43页 |
| 第四章 不良信息检测系统设计 | 第43-54页 |
| 4.1 微博简介 | 第43-46页 |
| 4.1.1 微博发展现状 | 第43-44页 |
| 4.1.2 微博用户互动行为 | 第44-46页 |
| 4.2 系统总体设计 | 第46-47页 |
| 4.3 微博数据处理 | 第47-52页 |
| 4.3.1 原始数据采集 | 第47-50页 |
| 4.3.2 文本数据处理 | 第50-52页 |
| 4.4 微博文本分类 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 实验测试与分析 | 第54-61页 |
| 5.1 实验环境 | 第54页 |
| 5.2 实验过程 | 第54-58页 |
| 5.3 评估分类结果 | 第58-61页 |
| 第六章 总结和展望 | 第61-64页 |
| 6.1 论文总结 | 第61-62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 硕士期间研究成果 | 第68-69页 |
| 致谢 | 第69页 |
