摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第10-15页 |
1.1 研究背景和意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-12页 |
1.2.1 小世界理论的应用 | 第11页 |
1.2.2 复杂网络关键节点挖掘 | 第11-12页 |
1.2.3 社交网络舆情预警 | 第12页 |
1.3 论文研究内容和主要工作 | 第12-13页 |
1.4 论文组织结构 | 第13-15页 |
第二章 相关理论和技术简介 | 第15-24页 |
2.1 小世界网络 | 第15-17页 |
2.2 人工神经网络 | 第17-19页 |
2.2.1 人工神经网络简介 | 第17-18页 |
2.2.2 BP算法 | 第18-19页 |
2.3 常用复杂网络节点重要性评估指标 | 第19-20页 |
2.4 常用的优化算法 | 第20-23页 |
2.4.1 梯度下降法 | 第20-21页 |
2.4.2 遗传算法 | 第21-22页 |
2.4.3 模拟退火算法 | 第22-23页 |
2.5 本章小结 | 第23-24页 |
第三章 电子商务信息传播网络模型小世界性优化设计 | 第24-41页 |
3.1 电子商务信息传播网络模型构建 | 第24-25页 |
3.2 电子商务信息传播网络关键节点挖掘 | 第25-37页 |
3.2.1 基于PageRank算法的网络中心性节点挖掘 | 第25-27页 |
3.2.2 基于重叠社区的网络连通性节点挖掘 | 第27-30页 |
3.2.3 实验设计及结果分析 | 第30-37页 |
3.3 基于关键节点重连边的电子商务信息传播网络小世界性优化 | 第37-40页 |
3.3.1 网络重连边算法设计思想 | 第37页 |
3.3.2 网络的平均信息传播效率 | 第37页 |
3.3.3 网络重连边算法基本流程 | 第37-38页 |
3.3.4 实验设计及结果分析 | 第38-40页 |
3.4 本章小结 | 第40-41页 |
第四章 基于小世界神经网络模型优化的微博舆情预警研究 | 第41-56页 |
4.1 NW小世界神经网络模型 | 第41-42页 |
4.2 基于混合优化算法的NW小世界神经网络优化 | 第42-46页 |
4.2.1 混合优化算法参数的设置 | 第43页 |
4.2.2 混合优化算法实现流程 | 第43-46页 |
4.3 基于NW小世界神经网络优化的微博舆情预警模型设计 | 第46-55页 |
4.3.1 微博舆情预警指标体系设计 | 第46-48页 |
4.3.2 微博舆情预警模型构建 | 第48-50页 |
4.3.3 数据处理及选样 | 第50-52页 |
4.3.4 模型训练及结果分析 | 第52-55页 |
4.4 本章小结 | 第55-56页 |
第五章 总结与展望 | 第56-58页 |
5.1 总结 | 第56-57页 |
5.2 展望 | 第57-58页 |
参考文献 | 第58-62页 |
致谢 | 第62-63页 |
攻读硕士期间发表的学术论文和科研情况 | 第63页 |