| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于文本消息的识别方法 | 第9页 |
| 1.2.2 基于账户特征的识别方法 | 第9-10页 |
| 1.2.3 基于微博环境的识别方法 | 第10-11页 |
| 1.2.4 基于特征融合的识别方法 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 微博账户群体特征提取方法研究 | 第14-23页 |
| 2.1 微博账户基本特征概念 | 第14-16页 |
| 2.1.1 出度和入度分布 | 第14页 |
| 2.1.2 微博活跃度 | 第14-15页 |
| 2.1.3 度与微博数的关系 | 第15页 |
| 2.1.4 平均路径长度 | 第15-16页 |
| 2.1.5 微博拓扑结构 | 第16页 |
| 2.2 实验数据集 | 第16-17页 |
| 2.3 评价方法 | 第17-18页 |
| 2.4 数据预处理 | 第18-19页 |
| 2.5 账户群体特征的定义与提取方法 | 第19-22页 |
| 2.5.1 账户基本特征的提取 | 第19-20页 |
| 2.5.2 宿主核心账户的定义 | 第20页 |
| 2.5.3 宿主核心账户的提取步骤 | 第20-21页 |
| 2.5.4 账户群体特征的定义 | 第21-22页 |
| 2.6 本章小节 | 第22-23页 |
| 第三章 基于谱聚类的异常群体识别方法 | 第23-32页 |
| 3.1 引言 | 第23-25页 |
| 3.1.1 机器学习的分类 | 第23-24页 |
| 3.1.2 聚类 | 第24-25页 |
| 3.2 谱聚类基本概念 | 第25-28页 |
| 3.2.1 图划分准则 | 第25-27页 |
| 3.2.2 k-means算法 | 第27-28页 |
| 3.2.3 谱聚类原理 | 第28页 |
| 3.3 基于谱聚类的异常群体识别算法AGD_SC | 第28-29页 |
| 3.4 实验结果及分析 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于自组织特征映射的异常群体的识别方法 | 第32-44页 |
| 4.1 引言 | 第32页 |
| 4.2 自组织竞争神经网络 | 第32-36页 |
| 4.2.1 自适应共振理论神经网络 | 第33-34页 |
| 4.2.2 对偶传播网络 | 第34-35页 |
| 4.2.3 自组织特征映射神经网络 | 第35-36页 |
| 4.3 基于SOM的改进异常群体识别算法AGD SOM | 第36-42页 |
| 4.3.1 SOM神经网络的拓扑结构及特点 | 第36-37页 |
| 4.3.2 SOM神经网络的学习规则 | 第37-39页 |
| 4.3.3 SOM神经网络的学习率和邻域半径 | 第39页 |
| 4.3.4 SOM神经网络的学习过程 | 第39-40页 |
| 4.3.5 AGD_SOM算法描述 | 第40-42页 |
| 4.4 实验结果及分析 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 全文总结及未来展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第49页 |