首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--计算机网络论文--一般性问题论文

基于Hadoop的微博用户兴趣与社区发现算法研究

摘要第3-4页
Abstract第4-5页
第1章 绪论第9-17页
    1.1 研究背景第9-10页
    1.2 课题研究意义第10-11页
    1.3 国内外研究现状第11-14页
        1.3.1 兴趣发现第11-12页
        1.3.2 社区发现第12-14页
    1.4 本文研究内容第14-15页
    1.5 本文组织结构第15-16页
    1.6 本章小结第16-17页
第2章 基于语义向量和PageRank的微博标签提取第17-33页
    2.1 微博用户兴趣来源的问题分析第17-20页
        2.1.1 单一微博内容兴趣发现存在的问题第17-18页
        2.1.2 单一微博标签兴趣发现存在的问题第18-19页
        2.1.3 用户交互行为对兴趣发现的补充第19-20页
    2.2 基于语义向量和PageRank的微博标签提取模型第20-21页
        2.2.1 设计目标第20页
        2.2.2 整体架构第20-21页
    2.3 基于语义向量的标签提取算法第21-29页
        2.3.1 标签冷启动问题第21-22页
        2.3.2 标签扩展语义向量第22-24页
        2.3.3 用户语义模型向量第24-26页
        2.3.4 标签多样化推荐第26-29页
    2.4 基于PageRank的标签提取算法第29-31页
        2.4.1 用户行为标签关系图第29-30页
        2.4.2 标签排序第30-31页
    2.5 基于语义向量和PageRank的微博标签提取算法复杂度第31-32页
    2.6 本章小结第32-33页
第3章 基于网络拓扑和节点内容的微博社区发现第33-45页
    3.1 微博网络社区问题的提出第33-37页
        3.1.1 微博社区形成过程分析第33-34页
        3.1.2 微博社区网络与传统复杂网络的区别第34-37页
    3.2 基于网络拓扑和节点内容的微博社区发现模型第37-38页
    3.3 基于网络拓扑和节点内容的微博社区发现算法设计第38-44页
        3.3.1 重构加权网络第38-39页
        3.3.2 加权链接相似度第39-42页
        3.3.3 划分密度函数第42-43页
        3.3.4 算法描述第43-44页
    3.4 基于网络拓扑和节点内容的微博社区发现算法复杂度第44页
    3.5 本章小结第44-45页
第4章 基于Hadoop的微博用户兴趣与社区发现算法实现第45-56页
    4.1 基于语义向量和PageRank的微博标签提取算法实现第45-50页
        4.1.1 并行化作业步骤第45-46页
        4.1.2 微博标签提取算法层次聚类作业第46-47页
        4.1.3 计算标签与用户相似度作业第47-49页
        4.1.4 计算标签权重作业第49-50页
    4.2 基于网络拓扑和节点内容的微博社区发现算法实现第50-55页
        4.2.1 并行化作业步骤第50-51页
        4.2.2 邻接表生成作业第51-52页
        4.2.3 计算划分密度作业第52-54页
        4.2.4 更新相似度矩阵作业第54-55页
    4.3 本章小结第55-56页
第5章 实验分析与验证第56-80页
    5.1 实验环境及数据第56-58页
        5.1.1 实验软硬件环境第56页
        5.1.2 实验数据第56-58页
    5.2 评价标准第58-59页
        5.2.1 兴趣发现评价标准第58-59页
        5.2.2 社区发现评价标准第59页
    5.3 基于语义向量和PageRank的微博标签提取算法实验第59-64页
        5.3.1 参数 λ 和 γ 的影响第59-61页
        5.3.2 兴趣发现算法对比实验第61-64页
    5.4 基于网络拓扑和节点内容的微博社区发现算法实验第64-69页
        5.4.1 参数 α 的影响第64-66页
        5.4.2 社区划分过程分析第66-67页
        5.4.3 社区发现算法对比实验第67-69页
    5.5 基于Hadoop平台的算法实验第69-79页
        5.5.1 Hadoop平台配置与启动第69-71页
        5.5.2 核心代码截图第71-77页
        5.5.3 实验结果第77-79页
    5.6 本章小结第79-80页
第6章 总结与展望第80-82页
致谢第82-83页
参考文献第83-86页
攻读学位期间获得与学位论文相关的科研成果目录第86页

论文共86页,点击 下载论文
上一篇:基于移动云的社交网络可视分析关键技术的研究
下一篇:基于图挖掘的社交网络可视化研究