| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 研究背景 | 第16-19页 |
| 1.2 研究意义 | 第19-20页 |
| 1.3 主要研究挑战 | 第20-22页 |
| 1.4 主要研究内容 | 第22-24页 |
| 1.5 组织结构 | 第24-26页 |
| 第二章 研究现状与相关研究工作概述 | 第26-40页 |
| 2.1 社交大数据挖掘 | 第26-28页 |
| 2.2 传统用户画像 | 第28-30页 |
| 2.3 用户个人信用评估 | 第30-32页 |
| 2.4 序列数据挖掘 | 第32-33页 |
| 2.5 基于社交数据的用户画像技术 | 第33-38页 |
| 2.6 结语 | 第38-40页 |
| 第三章 时变环境下高效用事件数据的挖掘算法研究 | 第40-56页 |
| 3.1 引言 | 第40-41页 |
| 3.2 问题背景与词法前缀树 | 第41-43页 |
| 3.3 高效用事件数据的高效挖掘 | 第43-48页 |
| 3.3.1 UP-Span算法的高效实现 | 第43-45页 |
| 3.3.2 高效的剪枝策略 | 第45-48页 |
| 3.4 TSpan算法性能评估 | 第48-52页 |
| 3.4.1 合成数据集上的比较 | 第49页 |
| 3.4.2 真实数据集上的性能比较 | 第49-52页 |
| 3.5 本章小结 | 第52-56页 |
| 第四章 基于社交数据用户隐行为模式的用户信用画像研究 | 第56-68页 |
| 4.1 引言 | 第56-57页 |
| 4.2 背景和问题定义 | 第57-60页 |
| 4.3 基于隐行为模式的信用画像 | 第60-64页 |
| 4.4 实验结果与分析 | 第64-67页 |
| 4.4.1 实验设置 | 第64-65页 |
| 4.4.2 实验结果 | 第65-66页 |
| 4.4.3 案例分析 | 第66-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 异构社交数据多源信息融合的用户信用画像研究 | 第68-102页 |
| 5.1 引言 | 第68-71页 |
| 5.2 问题分析 | 第71-74页 |
| 5.2.1 问题背景与概要 | 第71-72页 |
| 5.2.2 微博社交数据简介 | 第72-73页 |
| 5.2.3 问题定义 | 第73-74页 |
| 5.3 基于社交数据的信用评分原则和洞见 | 第74-76页 |
| 5.3.1 社交数据用户信用画像的原则 | 第74-76页 |
| 5.4 问题解决框架概览 | 第76-78页 |
| 5.5 特征设计与分析 | 第78-89页 |
| 5.5.1 个人信息特征(Demographic Features) | 第79-83页 |
| 5.5.2 微博特征(Tweet Features) | 第83-85页 |
| 5.5.3 网络特征(Network Features) | 第85-87页 |
| 5.5.4 高层次特征(High-Level Features) | 第87-89页 |
| 5.6 实验结果与分析 | 第89-100页 |
| 5.6.1 实验用微博数据集 | 第89-91页 |
| 5.6.2 实验设定 | 第91-92页 |
| 5.6.3 不同实现间的性能比较 | 第92-95页 |
| 5.6.4 不同算法间的性能对比 | 第95-97页 |
| 5.6.5 模型鲁棒性 | 第97-98页 |
| 5.6.6 案例分析(Case Studies) | 第98-100页 |
| 5.7 本章小结 | 第100-102页 |
| 第六章 总结与展望 | 第102-106页 |
| 6.1 工作总结 | 第102-104页 |
| 6.2 未来展望 | 第104-106页 |
| 参考文献 | 第106-118页 |
| 致谢 | 第118-122页 |
| 在读期间发表的学术论文与取得的研究成果 | 第122-123页 |
