| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1 引言 | 第7-12页 |
| 1.1 研究背景和意义 | 第7-9页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究目的和意义 | 第8-9页 |
| 1.2 研究内容 | 第9-10页 |
| 1.3 研究方法和技术路线 | 第10-12页 |
| 1.3.1 研究方法 | 第10页 |
| 1.3.2 技术路线 | 第10-12页 |
| 2 相关文献综述 | 第12-27页 |
| 2.1 创新相关理论综述 | 第12-15页 |
| 2.1.1 创新源理论 | 第12-13页 |
| 2.1.2 开放式创新 | 第13-14页 |
| 2.1.3 渐进式创新与破坏式创新 | 第14-15页 |
| 2.2 用户创新理论研究综述 | 第15-19页 |
| 2.2.1 用户创新的理论基础 | 第15-16页 |
| 2.2.2 用户创新的动机 | 第16-17页 |
| 2.2.3 用户创新的作用 | 第17-18页 |
| 2.2.4 用户创新的研究分类 | 第18-19页 |
| 2.3 在线创新社区用户创新研究综述 | 第19-22页 |
| 2.3.1 在线创新社区的概念 | 第19-20页 |
| 2.3.2 在线创新社区中创新价值的创造主体 | 第20-21页 |
| 2.3.3 在线创新社区中用户参与创新的动机 | 第21-22页 |
| 2.4 领先用户的研究现状 | 第22-27页 |
| 2.4.1 领先用户的特征和作用 | 第22-24页 |
| 2.4.2 领先用户创新方法 | 第24页 |
| 2.4.3 领先用户识别 | 第24-27页 |
| 3 在线创新社区领先用户识别指标体系构建 | 第27-36页 |
| 3.1 基本假设和思路 | 第27页 |
| 3.1.1 基本假设 | 第27页 |
| 3.1.2 识别指标体系构建思路 | 第27页 |
| 3.2 在线创新社区用户特征分析 | 第27-30页 |
| 3.2.1 在线创新社区用户的内容信息 | 第27-28页 |
| 3.2.2 在线创新社区用户的行为数据 | 第28-30页 |
| 3.3 在线创新社区领先用户识别指标选取 | 第30-35页 |
| 3.3.1 基于用户内容信息的领先用户识别指标 | 第30-32页 |
| 3.3.2 基于行为数据的领先用户识别指标 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 在线创新社区领先用户识别模型的构建 | 第36-50页 |
| 4.1 基于有监督式机器学习分类算法的领先用户识别框架 | 第36-38页 |
| 4.2 训练数据集的构建 | 第38-41页 |
| 4.2.1 训练样本识别指标的获取 | 第38页 |
| 4.2.2 训练数据的人工分类 | 第38-41页 |
| 4.3 基于BP神经网络的领先用户识别模型 | 第41-44页 |
| 4.4 基于支持向量机分类算法的领先用户识别模型 | 第44-47页 |
| 4.5 基于随机森林分类算法的领先用户识别模型 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 5 案例分析-以MIUI论坛为例 | 第50-67页 |
| 5.1 训练样本和预测样本数据的收集和预处理 | 第50-60页 |
| 5.1.1 样本数据的人工分类 | 第50页 |
| 5.1.2 基于用户内容信息的识别指标提取和计算 | 第50-53页 |
| 5.1.3 用户行为数据的收集和处理 | 第53-60页 |
| 5.2 领先用户识别模型的构建与实现 | 第60-65页 |
| 5.2.1 基于BP神经网络的领先用户识别 | 第60-63页 |
| 5.2.2 基于支持向量机分类算法的领先用户识别 | 第63-64页 |
| 5.2.3 基于随机森林分类算法的领先用户识别 | 第64-65页 |
| 5.2.4 三种模型识别效果的综合比较 | 第65页 |
| 5.3 本章小结 | 第65-67页 |
| 6 研究结论和展望 | 第67-69页 |
| 6.1 研究结论 | 第67页 |
| 6.2 研究局限性和展望 | 第67-69页 |
| 6.2.1 研究局限性 | 第67-68页 |
| 6.2.2 研究展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-77页 |
| 附录 | 第77-84页 |
| 在校期间研究成果 | 第84页 |