| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 论文研究问题的提出及本论文的主要工作 | 第18页 |
| 1.4 本章小结 | 第18-20页 |
| 第二章 社交网络研究综述 | 第20-30页 |
| 2.1 社交网络所表现出的各种属性 | 第20-24页 |
| 2.1.1 社交网络的图表示法 | 第20-21页 |
| 2.1.2 社交网络的基本属性 | 第21-22页 |
| 2.1.3 150定律 | 第22-23页 |
| 2.1.4 小世界效应 | 第23-24页 |
| 2.1.5 马太效应 | 第24页 |
| 2.2 社交网络间关系和信息流向分类 | 第24-26页 |
| 2.3 社交网络的演变过程 | 第26-27页 |
| 2.4 Github社交网站的简介 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 Github网络结构和用户特性分析 | 第30-40页 |
| 3.1 实验数据 | 第30-33页 |
| 3.1.1 实验数据描述 | 第30-31页 |
| 3.1.2 实验数据的抓取 | 第31-33页 |
| 3.2 Github网络属性分析 | 第33-35页 |
| 3.2.1 度分布分析 | 第33-34页 |
| 3.2.2 六度分割理论的验证 | 第34-35页 |
| 3.3 Github社交网络中用户所拥有属性简述 | 第35-36页 |
| 3.4 几种评估节点影响力的方法 | 第36-38页 |
| 3.4.1 基于节点自身属性的方法 | 第36-37页 |
| 3.4.2 基于概率模型的分析方法 | 第37-38页 |
| 3.4.3 基于链接分析的方法 | 第38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 利用HITS算法分析节点影响力 | 第40-56页 |
| 4.1 HITS算法 | 第40-43页 |
| 4.2 应用HITS算法对用户影响力评估的不足及改进 | 第43-49页 |
| 4.2.1 应用HITS算法对用户影响力评估的不足 | 第43-46页 |
| 4.2.2 基于Github社交网络对HITS算法的改进 | 第46-49页 |
| 4.3 通用算法 | 第49-54页 |
| 4.3.1 用户的属性表示 | 第50-51页 |
| 4.3.2 确定用户各属性的权重 | 第51页 |
| 4.3.3 通用算法 | 第51-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 实验验证与结果分析 | 第56-66页 |
| 5.1 实验准备 | 第56页 |
| 5.2 改进的HITS算法的收敛性分析 | 第56-57页 |
| 5.3 用SIR模型比较两种算法的实验结果 | 第57-58页 |
| 5.4 实验结果分析 | 第58-65页 |
| 5.4.1 原始HITS算法生成的节点影响力结果 | 第58-60页 |
| 5.4.2 改进后的HITS算法生成的节点影响力结果 | 第60-62页 |
| 5.4.3 原始HITS算法和改进的HITS算法生成结果的比较 | 第62-63页 |
| 5.4.4 排名前1000的用户中用户所占等级的情况 | 第63-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结和展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-70页 |
| 致谢 | 第70-72页 |
| 作者简介 | 第72-73页 |
