| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 微博网络社区划分研究现状 | 第11-14页 |
| 1.2.2 微博用户影响力研究现状 | 第14-15页 |
| 1.3 本文研究内容 | 第15-17页 |
| 1.4 论文的基本框架 | 第17-18页 |
| 第二章 微博网络关键用户挖掘相关概念和理论技术 | 第18-32页 |
| 2.1 微博网络关键用户挖掘相关概念 | 第18-20页 |
| 2.1.1 微博网络 | 第18-19页 |
| 2.1.2 微博社区 | 第19页 |
| 2.1.3 微博用户 | 第19-20页 |
| 2.1.4 微博关键用户 | 第20页 |
| 2.2 微博关键用户挖掘相关基础理论和方法 | 第20-23页 |
| 2.2.1 图论基础 | 第20-21页 |
| 2.2.2 LDA概率统计基础 | 第21-22页 |
| 2.2.3 模块度评价指标 | 第22-23页 |
| 2.2.4 相似度计算策略 | 第23页 |
| 2.3 数据预处理 | 第23-26页 |
| 2.3.1 数据清洗和过滤 | 第23-24页 |
| 2.3.2 中文分词和停用词过滤 | 第24页 |
| 2.3.3 文本特征提取与转换 | 第24-25页 |
| 2.3.4 特征向量正则化处理 | 第25-26页 |
| 2.4 基于Python爬虫和Nutch组件的微博数据采集框架 | 第26-27页 |
| 2.5 基于Hadoop和Spark的分布式大数据计算架构 | 第27-30页 |
| 2.6 本章小结 | 第30-32页 |
| 第三章 融合用户博文主题相似度和Louvain算法的微博社区挖掘方法 | 第32-50页 |
| 3.1 相关研究背景及思路 | 第32-33页 |
| 3.2 微博用户博文主题相似度计算 | 第33-39页 |
| 3.2.1 LDA文档主题提取模型 | 第33-37页 |
| 3.2.2 交叉验证估计文档主题个数 | 第37-38页 |
| 3.2.3 主题概率分布向量归一化 | 第38页 |
| 3.2.4 用户博文主题相似度计算 | 第38-39页 |
| 3.3 微博网络用户社区划分 | 第39-41页 |
| 3.3.1 Louvain算法思想 | 第39-40页 |
| 3.3.2 基于剪枝的算法优化策略 | 第40-41页 |
| 3.4 实验验证及结果分析 | 第41-48页 |
| 3.4.1 数据预处理 | 第42页 |
| 3.4.2 实验及结果分析 | 第42-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于网络结构和用户综合信息的微博用户综合影响力评价方法 | 第50-66页 |
| 4.1 相关研究背景及思路 | 第50-51页 |
| 4.2 基本符号定义 | 第51-52页 |
| 4.3 微博用户综合影响力评价模型 | 第52-53页 |
| 4.4 微博用户影响力度量策略 | 第53-56页 |
| 4.4.1 微博用户权威性度量 | 第53-54页 |
| 4.4.2 微博用户传播性度量 | 第54页 |
| 4.4.3 微博用户交互性度量 | 第54-55页 |
| 4.4.4 微博用户链接性度量 | 第55-56页 |
| 4.5 微博用户综合影响力度量策略 | 第56-57页 |
| 4.6 实验验证及结果分析 | 第57-65页 |
| 4.6.1 数据预处理 | 第58页 |
| 4.6.2 实验参数确定 | 第58-60页 |
| 4.6.3 实验及结果分析 | 第60-65页 |
| 4.7 本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 总结 | 第66-67页 |
| 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间取得的科研成果 | 第72-74页 |
| 1 发表的学术论文 | 第72页 |
| 2 申请的软著 | 第72页 |
| 3 申请的专利 | 第72页 |
| 4 参与项目 | 第72-74页 |
| 致谢 | 第74-76页 |
