| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 基于传播动力学的网络信息传播研究 | 第12-13页 |
| 1.2.2 网络拓扑结构对信息传播的影响研究 | 第13页 |
| 1.2.3 微博信息情感分类研究 | 第13-14页 |
| 1.3 论文主要工作和研究内容 | 第14-15页 |
| 1.4 论文框架和各部分之间的关系 | 第15-17页 |
| 第二章 相关理论基础 | 第17-31页 |
| 2.1 复杂网络表示 | 第17页 |
| 2.2 在线社交网络及其拓扑结构性质 | 第17-19页 |
| 2.2.1 在线社交网络幂律分布和无标度特征 | 第18页 |
| 2.2.2 度中心性 | 第18-19页 |
| 2.2.3 紧密中心性 | 第19页 |
| 2.2.4 远中心性 | 第19页 |
| 2.2.5 聚类系数 | 第19页 |
| 2.3 PageRank 算法 | 第19-20页 |
| 2.4 SIR 模型 | 第20-22页 |
| 2.5 微博信息情感分类相关技术 | 第22-24页 |
| 2.5.1 文本分类 | 第22-23页 |
| 2.5.2 微博信息情感分析 | 第23-24页 |
| 2.6 文本词向量word2vec | 第24-25页 |
| 2.7 文本分类算法 | 第25-30页 |
| 2.7.1 支持向量机算法 | 第25-26页 |
| 2.7.2 朴素贝叶斯分类 | 第26-27页 |
| 2.7.3 随机森林 | 第27-28页 |
| 2.7.4 Adaboost算法 | 第28-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第三章 基于PageRank的在线社交网络的信息传播模型 | 第31-39页 |
| 3.1 基于PageRank 的在线社交网络信息传播型 | 第31-32页 |
| 3.2 传播概率和免疫概率 | 第32-34页 |
| 3.2.1 传播者的免疫机制 | 第32页 |
| 3.2.2 基于网络拓扑结构动态指定节点权威度 | 第32-34页 |
| 3.3 稳态性分析 | 第34页 |
| 3.4 算法实现 | 第34-35页 |
| 3.5 实验与评估 | 第35-38页 |
| 3.5.1 数据集描述 | 第35页 |
| 3.5.2 实验结果 | 第35-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于网络拓扑结构的微博信息情感分类研究 | 第39-51页 |
| 4.1 微博数据预处理 | 第39-44页 |
| 4.1.1 微博信息采集 | 第40-42页 |
| 4.1.2 用户关系预处理 | 第42页 |
| 4.1.3 微博文本预处理 | 第42-43页 |
| 4.1.4 机器学习算法在微博情感倾向分类中的应用 | 第43-44页 |
| 4.2 实验设计 | 第44-47页 |
| 4.2.1 实验设置 | 第44-45页 |
| 4.2.2 评价指标 | 第45-47页 |
| 4.3 实验结果分析 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 总结与展望 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 攻读硕士学位期间取得的研究成果 | 第59-60页 |
| 致谢 | 第60-61页 |
| 附件 | 第61页 |
