基于隐马尔科夫理论及条件随机场的微博网络信息扩散模型
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 信息扩散模型国内外研究现状 | 第13-16页 |
| 1.3 研究内容及主要工作 | 第16-17页 |
| 1.4 论文结构安排 | 第17-18页 |
| 第二章 微博网络与信息扩散 | 第18-22页 |
| 2.1 微博简介 | 第18-19页 |
| 2.2 微博网络信息扩散特征 | 第19-20页 |
| 2.3 微博网络信息扩散影响因素 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 隐马尔科夫理论 | 第22-27页 |
| 3.1 引言 | 第22页 |
| 3.2 马尔科夫性 | 第22-23页 |
| 3.3 隐马尔科夫要素 | 第23-24页 |
| 3.4 隐马尔科夫理论的三个基本问题 | 第24-25页 |
| 3.5 隐马尔科夫局限性 | 第25-26页 |
| 3.6 本章小结 | 第26-27页 |
| 第四章 条件随机场理论 | 第27-33页 |
| 4.1 引言 | 第27页 |
| 4.2 条件随机场理论基础 | 第27-29页 |
| 4.3 条件随机场定义 | 第29页 |
| 4.4 势函数 | 第29-30页 |
| 4.5 条件随机场概率表示形式 | 第30-31页 |
| 4.6 条件随机场的关键问题 | 第31页 |
| 4.7 条件随机场的特点 | 第31-32页 |
| 4.8 本章小结 | 第32-33页 |
| 第五章 MIDMBCRF 特征函数的相关定义方法 | 第33-43页 |
| 5.1 自动中文文本分类 | 第33-36页 |
| 5.1.1 自动文本分类方法的基本过程 | 第33-34页 |
| 5.1.2 一种基于特征扩展的中文短文本分类方法 | 第34-36页 |
| 5.2 一种基于用户属性的相似度计算方法 | 第36-39页 |
| 5.3 多信息交互影响的度量方法 | 第39-42页 |
| 5.4 本章小结 | 第42-43页 |
| 第六章 模型构建 | 第43-57页 |
| 6.1 问题映射 | 第43-44页 |
| 6.2 基于隐马尔科夫理论的信息扩散模型构建 | 第44-48页 |
| 6.2.1 监督学习方法的参数估算 | 第44-45页 |
| 6.2.2 非监督学习方法的参数估算 | 第45-48页 |
| 6.3 基于条件随机场的多信息扩散模型构建 | 第48-53页 |
| 6.3.1 特征函数的选择 | 第49-51页 |
| 6.3.2 参数估计方法 | 第51-53页 |
| 6.4 模型的优化——图划分 | 第53-54页 |
| 6.5 模型的应用——用户转发行为预测 | 第54-56页 |
| 6.6 本章小结 | 第56-57页 |
| 第七章 仿真实验与分析 | 第57-73页 |
| 7.1 数据集与实验环境 | 第57-61页 |
| 7.1.1 数据集采集与存储 | 第57-61页 |
| 7.1.2 实验环境 | 第61页 |
| 7.2 实验评价指标 | 第61-62页 |
| 7.3 实验方案与结果分析 | 第62-72页 |
| 7.3.1 模型的影响因素分析 | 第62-69页 |
| 7.3.2 模型的性能比较 | 第69-72页 |
| 7.4 本章小结 | 第72-73页 |
| 总结与展望 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |
