面向虚假新闻识别的主动学习算法研究与应用

声明

致谢

1 引言

1.1 研究背景及意义

1.2 国内外研究现状

1.3 本文主要研究内容

1.4 本文组织结构

2 相关工作

2.1 基于内容的虚假新闻识别

2.1.1 相关研究

2.1.2 真假新闻文本特征区别

2.1.3 文本特征提取

2.2 主动学习

2.2.1 相关研究

2.2.2 主动学习框架

2.2.3 初始集选择和不确定性采样

2.3 本章总结

3 基于中心点选择的初始集算法

3.1 初始集算法描述

3.2 类中心点的确定

3.2.1 类中心点策略描述

3.2.2 k中心点策略

3.3 初始集选取策略

3.3.1 基于聚类的初始集选择机制

3.3.2 基于k中心点的初始集选择机制

3.4 基于初始集选择的主动学习算法

3.5 本章总结

4 基于异常点处理的主动学习算法

4.1 识别算法描述

4.2 学习引擎算法的选择

4.3 选择引擎异常点处理关键策略

4.3.1 均值处理

4.3.2 相似性处理

4.4 本章总结

5 实验设计与结果分析

5.1 数据集描述

5.2 实验评价指标

5.3 BasicAL 与其他经典分类方法对比

5.3.1 实验设计

5.3.2 实验结果及分析

5.3.3 其他因素影响

5.4 初始集算法对比

5.4.1 实验设计

5.4.2 实验结果及分析

5.4.3 其他因素影响

5.5 异常点算法对比

5.5.1 实验设计

5.5.2 MeanAL实验结果及分析

5.5.3 SimAL实验结果及分析

5.5.4 加入初始集算法的异常点处理实验结果及分析

5.6 本章总结

6 总结与展望

6.1 结论

6.2 未来期望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集