基于节点行为的社交关系分析研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 社交网络的发展现状 | 第11-12页 |
| 1.2.2 社交关系的研究现状 | 第12-13页 |
| 1.3 论文研究内容及意义 | 第13-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第2章 用户关系分析的相关技术和理论基础 | 第18-26页 |
| 2.1 用户关系分析 | 第18-24页 |
| 2.1.1 基于局部信息的相似性指标 | 第18-20页 |
| 2.1.2 基于路径的相似性指标 | 第20-21页 |
| 2.1.3 基于机器学习的预测模型 | 第21-24页 |
| 2.2 评价指标 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于最大熵原理的用户关系驱动因素挖掘模型 | 第26-35页 |
| 3.1 引言 | 第26页 |
| 3.2 相关定义 | 第26-27页 |
| 3.3 科学问题定义 | 第27-28页 |
| 3.4 驱动因素提取 | 第28-29页 |
| 3.5 基于最大熵原理的用户关系驱动因素挖掘模型 | 第29-33页 |
| 3.5.1 模型主要模块概述 | 第29-30页 |
| 3.5.2 驱动因子函数建立 | 第30-31页 |
| 3.5.3 用户关系驱动因素挖掘模型 | 第31-33页 |
| 3.6 模型学习算法 | 第33-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第4章 基于半监督学习的用户关系分析模型 | 第35-42页 |
| 4.1 引言 | 第35页 |
| 4.2 用户关系影响因素分析 | 第35-36页 |
| 4.3 用户关系分析模型设计 | 第36-40页 |
| 4.3.1 模型框架介绍 | 第36-37页 |
| 4.3.2 特征提取 | 第37-38页 |
| 4.3.3 理论推导 | 第38-40页 |
| 4.4 用户关系分析模型算法 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 实验分析及应用 | 第42-53页 |
| 5.1 实验设置 | 第42-43页 |
| 5.1.1 实验环境 | 第42页 |
| 5.1.2 数据集描述 | 第42-43页 |
| 5.2 用户关系驱动因素挖掘模型 | 第43-48页 |
| 5.2.1 数据集构造 | 第43-44页 |
| 5.2.2 用户关系驱动因素挖掘分析 | 第44-47页 |
| 5.2.3 用户关系预测与模型评估 | 第47-48页 |
| 5.3 用户关系分析模型 | 第48-51页 |
| 5.3.1 标注样本提取 | 第48页 |
| 5.3.2 模型实现过程 | 第48-51页 |
| 5.4 模型应用场景 | 第51-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第6章 总结及未来工作 | 第53-55页 |
| 6.1 研究工作总结 | 第53-54页 |
| 6.2 未来工作展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第61页 |
