社交网络中转发预测的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 微博平台信息特点及其传播特性 | 第11-13页 |
| 1.2.1 微博信息的特点 | 第11-12页 |
| 1.2.2 微博信息的传播特性 | 第12-13页 |
| 1.3 课题的来源及研究内容 | 第13-14页 |
| 1.3.1 课题来源 | 第13页 |
| 1.3.2 课题的主要研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 社交网络中转发预测综述 | 第16-26页 |
| 2.1 社交网络中转发预测的研究现状 | 第16-20页 |
| 2.1.3 当前社交网络的研究热点 | 第16-18页 |
| 2.1.4 转发预测的研究现状 | 第18-20页 |
| 2.2 微博数据的获取及其预处理 | 第20-23页 |
| 2.2.1 微博数据的获取 | 第20-22页 |
| 2.2.2 数据预处理 | 第22-23页 |
| 2.3 微博信息转发次数的标注策略 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 预测模型特征提取 | 第26-33页 |
| 3.1 微博信息的特征分析 | 第26-27页 |
| 3.2 潜在狄利克雷主题模型 | 第27-29页 |
| 3.3 微博文本主题特征的提取 | 第29-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 基于分类算法的转发预测研究 | 第33-45页 |
| 4.1 微博信息的串行化 | 第33-34页 |
| 4.2 机器学习分类模型 | 第34-40页 |
| 4.2.1 逻辑回归分类模型 | 第34-35页 |
| 4.2.2 逻辑回归分类模型的并行化 | 第35-37页 |
| 4.2.3 支持向量机分类模型 | 第37-39页 |
| 4.2.4 支持向量机分类模型的并行化 | 第39-40页 |
| 4.3 实验及其结果分析 | 第40-44页 |
| 4.3.1 实验数据和评价指标 | 第41-42页 |
| 4.3.2 实验结果与分析 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 基于回归分析的转发预测研究 | 第45-51页 |
| 5.1 基于回归分析的转发预测概述 | 第45页 |
| 5.2 基于逻辑回归算法的多分类预测模型 | 第45-46页 |
| 5.3 基于岭回归算法的回归预测模型 | 第46-48页 |
| 5.4 实验及其结果分析 | 第48-50页 |
| 5.4.1 实验数据和评价指标 | 第48页 |
| 5.4.2 实验结果和分析 | 第48-50页 |
| 5.5 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间所发表的学术论文 | 第56-57页 |
| 致谢 | 第57页 |
