| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究目的和意义 | 第13-14页 |
| 1.2 研究内容 | 第14-16页 |
| 1.3 主要贡献 | 第16页 |
| 1.4 论文组织结构 | 第16-19页 |
| 第二章 国内外研究现状 | 第19-39页 |
| 2.1 社交网络平台以及微博平台 | 第19-23页 |
| 2.1.1 社交网络服务 | 第19-20页 |
| 2.1.2 微博客平台 | 第20页 |
| 2.1.3 微博的基本概念 | 第20-21页 |
| 2.1.4 微博媒体特点 | 第21-22页 |
| 2.1.5 微博信息传播特点 | 第22-23页 |
| 2.2 国内外文献调研 | 第23-26页 |
| 2.2.1 数据的来源和采样 | 第23页 |
| 2.2.2 常用的评价标准 | 第23-24页 |
| 2.2.3 特征选取与特征筛选 | 第24-26页 |
| 2.2.4 分类和回归 | 第26页 |
| 2.3 用户选取算法 | 第26-34页 |
| 2.3.1 粉丝数算法 | 第27页 |
| 2.3.2 节点度算法 | 第27-28页 |
| 2.3.3 Degree Discount算法 | 第28-30页 |
| 2.3.4 K-Shell分解分析 | 第30-31页 |
| 2.3.5 Cost-Effective Lazy Forward选取算法 | 第31-34页 |
| 2.4 流行度预测算法 | 第34-37页 |
| 2.4.1 国外文献中相关算法 | 第34-36页 |
| 2.4.2 国内文献中相关算法 | 第36-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第三章 基于事件覆盖度和微博覆盖度的用户选取算法 | 第39-63页 |
| 3.1 流行度预测中用户选取问题的提出 | 第39-41页 |
| 3.2 相关基本概念 | 第41-43页 |
| 3.3 用于流行度预测的用户选取问题定义 | 第43-44页 |
| 3.4 基于边际收益成本比的用户选取算法 | 第44-47页 |
| 3.5 基于事件覆盖度和微博覆盖度的用户选取算法 | 第47-49页 |
| 3.6 实验结果及分析 | 第49-59页 |
| 3.6.1 实验环境 | 第49-50页 |
| 3.6.2 实验数据集获取 | 第50-53页 |
| 3.6.3 数据预处理方法 | 第53-54页 |
| 3.6.4 实验数据集概况 | 第54-55页 |
| 3.6.5 实验设置 | 第55页 |
| 3.6.6 选取用户的特点分析 | 第55-57页 |
| 3.6.7 用户选取结果的评价和对比 | 第57-59页 |
| 3.7 本章小结 | 第59-63页 |
| 第四章 基于时序的流行度预测算法 | 第63-85页 |
| 4.1 相关概念和定义 | 第63-65页 |
| 4.2 流行度量度转换 | 第65-66页 |
| 4.3 基于状态迁移的预测算法的改进算法 | 第66-69页 |
| 4.4 局部时序匹配的加权预测算法 | 第69-71页 |
| 4.5 实验结果及分析 | 第71-83页 |
| 4.5.1 实验环境 | 第71页 |
| 4.5.2 实验数据集 | 第71-73页 |
| 4.5.3 评价标准 | 第73-74页 |
| 4.5.4 不同预测方法对比 | 第74-76页 |
| 4.5.5 ISTBP对STBP的改进的讨论 | 第76-78页 |
| 4.5.6 不同预测时间长度T_P的对比 | 第78页 |
| 4.5.7 不同事件类别上的对比 | 第78-79页 |
| 4.5.8 不同用户选取算法的对比 | 第79-82页 |
| 4.5.9 不同用户监控成本的讨论 | 第82-83页 |
| 4.6 本章小结 | 第83-85页 |
| 第五章 总结与展望 | 第85-87页 |
| 5.1 总结 | 第85-86页 |
| 5.2 展望 | 第86-87页 |
| 参考文献 | 第87-93页 |
| 致谢 | 第93-95页 |
| 攻读学位期间发表的学术论文目录 | 第95-97页 |