| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及存在问题 | 第12-17页 |
| 1.2.1 宏观信息传播模型 | 第12-13页 |
| 1.2.2 微观信息传播模型 | 第13-16页 |
| 1.2.3 当前研究存在的问题 | 第16-17页 |
| 1.3 论文的研究内容与组织结构 | 第17-19页 |
| 1.3.1 论文主要研究内容 | 第17页 |
| 1.3.2 论文组织结构 | 第17-19页 |
| 第2章 相关技术理论 | 第19-33页 |
| 2.1 微博介绍 | 第19-20页 |
| 2.2 微博数据获取与处理 | 第20-22页 |
| 2.2.1 爬虫架构及实现 | 第20-22页 |
| 2.2.2 HTML文档信息的解析与格式化 | 第22页 |
| 2.3 文本相似性计算 | 第22-26页 |
| 2.3.1 TF-IDF模型和LSA模型 | 第23页 |
| 2.3.2 主题模型 | 第23-26页 |
| 2.4 PAGERANK算法 | 第26-28页 |
| 2.4.1 The simplest PageRank算法 | 第26-27页 |
| 2.4.2 Modified PageRank算法 | 第27页 |
| 2.4.3 The complete PageRank算法 | 第27-28页 |
| 2.5 数据集与分类算法选取的关系 | 第28-30页 |
| 2.5.1 分类算法的介绍 | 第28-29页 |
| 2.5.2 非平衡数据集的处理方法 | 第29-30页 |
| 2.6 梯度下降算法 | 第30-31页 |
| 2.7 本章小结 | 第31-33页 |
| 第3章 基于用户特征的转发预测方法 | 第33-53页 |
| 3.1 面临的难点和方法总述 | 第33-35页 |
| 3.1.1 问题的提出 | 第33-34页 |
| 3.1.2 解决方法 | 第34-35页 |
| 3.1.3 方法概述 | 第35页 |
| 3.2 转发特征提取 | 第35-39页 |
| 3.2.1 发送者特征 | 第36-37页 |
| 3.2.2 转发者特征 | 第37页 |
| 3.2.3 信息特征 | 第37-38页 |
| 3.2.4 信息发送者和信息转发者之间的关系 | 第38-39页 |
| 3.2.5 信息和接收者之间的关系 | 第39页 |
| 3.2.6 特征值的归一化处理 | 第39页 |
| 3.3 用户兴趣的提取和用户权威性的衡量 | 第39-44页 |
| 3.3.1 用户兴趣提取 | 第40-41页 |
| 3.3.2 用户权威的衡量 | 第41-44页 |
| 3.4 好友的选取 | 第44-47页 |
| 3.4.1 好友特征的选取 | 第44-45页 |
| 3.4.2 相似好友模型的建立 | 第45-46页 |
| 3.4.3 模型的求解 | 第46-47页 |
| 3.5 非平衡数据集的处理与支持向量机的学习 | 第47-50页 |
| 3.5.1 支持向量机的学习 | 第47-49页 |
| 3.5.2 非平衡数据集的处理 | 第49-50页 |
| 3.6 方法描述 | 第50-51页 |
| 3.7 本章小结 | 第51-53页 |
| 第4章 实验结果及分析 | 第53-69页 |
| 4.1 实验环境与数据集的介绍 | 第53-54页 |
| 4.2 实验方法的评估 | 第54页 |
| 4.3 数据处理及实验设计 | 第54-61页 |
| 4.3.1 对原始微博数据的处理 | 第54-56页 |
| 4.3.2 实验用户的选取 | 第56-57页 |
| 4.3.3 用户转发微博和未转发微博的抽取 | 第57-58页 |
| 4.3.4 转发特征对转发行为的影响 | 第58-61页 |
| 4.4 实验结果及分析 | 第61-66页 |
| 4.5 本章小结 | 第66-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |
