文本分析与网络虚假信息识别

《文本分析与网络虚假信息识别》聚焦于利用文本分析的有关技术对网络虚假文本信息和虚假评论者进行检测与过滤，《文本分析与网络虚假信息识别》共分13章。
《文本分析与网络虚假信息识别》作者力求对相关原理和算法的介绍做到深入浅出，让没有计算机和数学背景的读者也能够理解。
《文本分析与网络虚假信息识别》可以作为情报学、图书馆学、计算语言学及相关学科的本科生、研究生的研究参考书。

  

第1章 互联网及网络信息的发展历史
1.1 联网发展历史及影响
1.1.1 互联网发展历史
1.1.2 3g联网的影响
1.2 联网信息的发展历史
1.2.1 互联网信息提供者的变革
1.2.2 联网信息传播方式的变革
第2章 网络虚假信息及其特征
2.1 网络虚假信息制造者的动机
2.1.1 经济目的
2.1.2 政治目的
2.1.3 个人炫耀和情绪宣泄
2.2 网络虚假信息的主要类型
2.2.1 垃圾邮件
2.2.2 虚假新闻
2.2.3 虚假广告
2.2.4 虚假评论
2.2.5 网络谣言
2.3 网络虚假信息的主要特征
2.3.1 表述方式
2.3.2 表现形式
2.3.3 传播方式
2.4 网络虚假信息的危害
2.4.1 损害相关者经济利益
2.4.2 影响社会稳定
2.4.3 威胁国家安全
第3章 文本预处理
3.1 分词
3.1.1 基于词典的分词法
3.1.2 基于统计的分词法
3.1.3 基于规则的分词法
3.1.4 各类分词方法比较
3.1.5 综合方法
3.1.6 现有的主要分词工具
3.2 词义消歧
3.2.1 基于词典的词义消歧
3.2.2 基于实例的词义消歧
3.2.3 基于统计的词义消歧
3.3 未登录词识别
3.4 词频统计
3.5 词性标注
3.6 停用词去除
3.7 向量空间模型
第4章 文本特征计算
4.1 文本特征提取
4.2 文本特征选择
4.3 基于统计的文本特征提取方法
4.4 网络文本特征提取和特征选择
第5章 文本分类
5.1 基于分类词表的文本分类法
5.2 基于知识工程的文本分类法
5.3 基于训练集的文本分类法
5.4 基于深度学习的文本分类法
5.5 文本分类的主要算法
5.5.1 朴素贝叶斯算法
5.5.2 贝叶斯网络算法
5.5.3 K最邻近文本分类算法
5.5.4 支持向量机
第6章 文本聚类
6.1 聚类算法的发展历史
6.2 文本聚类算法
6.3 划分法
6.4 层次法
6.5 密度算法
6.5.1 DBSCAN算法
6.5.2 OPTICS算法
6.5.3 DENCLUE算法
6.6 网格算法
6.7 基于模型的算法
6.8 图论聚类算法
6.9 聚类效果评价
第7章 人工智能与网络文本处理
7.1 人工智能的发展历史
7.2 人工智能涉及的主要技术
7.3 人工智能的主要应用领域
7.4 深度神经网络模型
7.5 基于人工智能的文本分析与处理
第8章 网络文本分析的基本思路
8.1 网络文本的基本特征
8.2 网络文本的采集
8.3 网络文本的预处理
8.4 网络文本的情感分析
第9章 网络虚假评论分类
9.1 网民对网络评论的依赖性
9.2 网络评论对商家的重要性
9.3 网络虚假评论的类型
9.4 电子商务网站的虚假评论
9.5 旅游休闲点评类网站的虚假评论
9.6 微博和微信上的虚假评论
第10章 网络虚假评论的语言学分析
10.1 虚假评论的词汇特征
10.2 虚假评论的句法风格
第11章 虚假评论检测的主要方法
11.1 监督学习法
11.2 无监督学习法
11.3 部分监督学习法
第12章 虚假评论文本检测
12.1 黄金标准数据集的建立
12.2 虚假评论的特征提取与特征选择
12.3 重复评论检测
12.4 基于监督学习的虚假评论文本识别
12.5 基于无监督学习的虚假评论文本识别
12.6 基于部分监督学习的虚假评论文本识别
12.7 基于人工智能的虚假评论文本识别
第13章 虚假评论者检测
13.1 基于标注的虚假评论者识别
13.2 虚假评论者群组识别
13.3 虚假评论者行为特征识别
13.4 虚假评论者综合特征识别
13.5 基于社交网络分析的虚假评论识别
13.6 综合方法
13.6.1 分析基本思路
13.6.2 数据采集
13.6.3 虚假评论识别
参考文献
结束语