| 摘要 | 第9-11页 |
| ABSTRACT | 第11-13页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 研究背景和选题动机 | 第14-18页 |
| 1.1.1 社会媒体背景 | 第14-16页 |
| 1.1.2 文化差异性研究背景 | 第16-18页 |
| 1.1.3 研究动机 | 第18页 |
| 1.2 国内外研究现状 | 第18-24页 |
| 1.2.1 微博用户行为分析与建模 | 第19-22页 |
| 1.2.2 社会媒体中的文化差异研究 | 第22-24页 |
| 1.3 论文主要工作和创新点 | 第24-25页 |
| 1.4 本文的组织结构 | 第25-28页 |
| 第二章 用户行为建模与分析 | 第28-49页 |
| 2.1 研究背景 | 第28-30页 |
| 2.2 数据描述 | 第30-34页 |
| 2.3 行为网络建模 | 第34-39页 |
| 2.3.1 问题描述 | 第34-35页 |
| 2.3.2 概念及符号定义 | 第35-36页 |
| 2.3.3 模型描述 | 第36-38页 |
| 2.3.4 参数估计 | 第38-39页 |
| 2.4 网络结构分析及比较 | 第39-48页 |
| 2.4.1 社区和局部结构 | 第40-42页 |
| 2.4.2 节点度分布和度度相关性 | 第42-46页 |
| 2.4.3 平均距离和中心性 | 第46-48页 |
| 2.5 本章小结 | 第48-49页 |
| 第三章 文化差异性对信息传播的影响 | 第49-64页 |
| 3.1 研究背景 | 第49-50页 |
| 3.2 基于网络结构的信息传播动力建模 | 第50-56页 |
| 3.2.1 问题描述 | 第50-52页 |
| 3.2.2 基于传播概率的动力模型 | 第52-56页 |
| 3.2.3 网络互惠度对传播动力的影响 | 第56页 |
| 3.3 TWITTER中信息在不同国家子网中的传播探测 | 第56-63页 |
| 3.3.1 实验数据 | 第57-58页 |
| 3.3.2 互惠性分析 | 第58-59页 |
| 3.3.3 信息在不同国家子网中的传播比较 | 第59-63页 |
| 3.4 本章小结 | 第63-64页 |
| 第四章 微博行为的演化分析 | 第64-83页 |
| 4.1 研究背景 | 第64-65页 |
| 4.2 相关工作 | 第65-66页 |
| 4.3 数据描述 | 第66-69页 |
| 4.3.1 数据采集方法 | 第66-67页 |
| 4.3.2 基于内容特征的微博分类 | 第67-69页 |
| 4.4 用户行为建模 | 第69-75页 |
| 4.4.1 问题描述 | 第69-70页 |
| 4.4.2 基于微博特征的用户建模 | 第70-75页 |
| 4.5 用户行为的演化分析 | 第75-81页 |
| 4.5.1 微博发布的行为变化 | 第75-77页 |
| 4.5.2 活跃度演化分析 | 第77-79页 |
| 4.5.3 用户人气的演化分析 | 第79-81页 |
| 4.6 不同国家用户行为的演化比较 | 第81-82页 |
| 4.7 本章小结 | 第82-83页 |
| 第五章 基于文化差异性的用户活跃度预测 | 第83-101页 |
| 5.1 研究背景 | 第83-85页 |
| 5.2 用户活跃度建模 | 第85-92页 |
| 5.2.1 背景知识 | 第85-87页 |
| 5.2.2 用户模型 | 第87-89页 |
| 5.2.3 活跃度预测模型 | 第89-92页 |
| 5.3 活跃度预测算法 | 第92-93页 |
| 5.4 实验评测 | 第93-100页 |
| 5.4.1 数据描述 | 第93页 |
| 5.4.2 评估策略 | 第93-94页 |
| 5.4.3 模型参数分析 | 第94-98页 |
| 5.4.4 UAPM的性能表现 | 第98-100页 |
| 5.4.5 不同国家用户活跃度可预测性比较 | 第100页 |
| 5.5 本章小结 | 第100-101页 |
| 第六章 总结与展望 | 第101-104页 |
| 6.1 论文的主要贡献 | 第101-102页 |
| 6.2 未来工作展望 | 第102-104页 |
| 参考文献 | 第104-113页 |
| 攻读博士学位期间的科研成果 | 第113-114页 |
| 致谢 | 第114页 |