| Abstract | 第4-5页 |
| Chapter-1: Introduction | 第11-21页 |
| 1.1 Background | 第11-12页 |
| 1.2 Motivation | 第12-14页 |
| 1.3 Research Contents | 第14-17页 |
| 1.3.1 Community Analysis | 第15-16页 |
| 1.3.2 Identifying Influential People | 第16页 |
| 1.3.3 Prediction of Rising Venues | 第16-17页 |
| 1.4 Significance of Proposed Study | 第17-18页 |
| 1.5 Main Contributions | 第18-20页 |
| 1.5.1 ComRank Algorithm for Identification of Influential Communities | 第19页 |
| 1.5.2 IPRank Algorithm for Identification of Influential People | 第19-20页 |
| 1.5.3 Prediction of Rising Venues based on Machine Learning Algorithms | 第20页 |
| 1.6 Organization of Thesis | 第20-21页 |
| Chapter-2: Related Technologies and Related Work | 第21-55页 |
| 2.1 Social Networks | 第21-26页 |
| 2.1.1 Definition of SN | 第21-22页 |
| 2.1.2 Development of SNs | 第22-23页 |
| 2.1.3 Categorization of SNs | 第23-26页 |
| 2.1.4 Representation of SNs | 第26页 |
| 2.2 Classification of Graphs | 第26-29页 |
| 2.2.1 Illustration of Weighted Graphs | 第26-27页 |
| 2.2.2 Density | 第27-28页 |
| 2.2.3 Illustration of Connected Components | 第28页 |
| 2.2.4 Geodesic Distance | 第28页 |
| 2.2.5 Diameter | 第28-29页 |
| 2.3 Why Need to Research SNs | 第29-31页 |
| 2.3.1 Trust Level | 第29页 |
| 2.3.2 Mutual Interest | 第29页 |
| 2.3.3 Exchange of Contents | 第29-30页 |
| 2.3.4 Availability of Data | 第30页 |
| 2.3.5 Social Influence | 第30-31页 |
| 2.4 Leading Actors in SNs | 第31-36页 |
| 2.4.1 Facebook | 第31-32页 |
| 2.4.2 Twitter | 第32-34页 |
| 2.4.3 Sina Weibo | 第34页 |
| 2.4.4 LinkedIn | 第34-35页 |
| 2.4.5 YouTube | 第35-36页 |
| 2.4.6 Bibliographic DataBanks (BDs) | 第36页 |
| 2.5 Social Network Analysis for Community Analysis | 第36-40页 |
| 2.5.1 Degree Centrality | 第37页 |
| 2.5.2 Betweenness Centrality | 第37页 |
| 2.5.3 Closeness Centrality | 第37-38页 |
| 2.5.4 Eigenvector Centrality | 第38-40页 |
| 2.6 Evolution Based SNA | 第40-41页 |
| 2.6.1 Prediction | 第40页 |
| 2.6.2 Trending Topics Detection | 第40页 |
| 2.6.3 Evolution | 第40-41页 |
| 2.6.4 Event Detection | 第41页 |
| 2.7 Interaction Based SNA | 第41-44页 |
| 2.7.1 Influential People | 第41-42页 |
| 2.7.2 Cascading | 第42页 |
| 2.7.3 Information Diffusion | 第42-43页 |
| 2.7.4 Independent Cascade Model (ICM) | 第43-44页 |
| 2.7.5 Linear Threshold Model | 第44页 |
| 2.8 Related Work | 第44-55页 |
| 2.8.1 Community Analysis | 第44-47页 |
| 2.8.2 Identification of Influential People | 第47-50页 |
| 2.8.3 Prediction of Rising Venues | 第50-55页 |
| Chapter-3: ComRank Algorithm for Identification of Influential Communities | 第55-71页 |
| 3.1 Introduction | 第55-57页 |
| 3.2 Related Work | 第57-59页 |
| 3.3 Problem Statement | 第59页 |
| 3.3.1 Citation Network (CN) | 第59页 |
| 3.3.2 Problem Definition | 第59页 |
| 3.4 Proposed Community Ranking Algorithm (ComRank) | 第59-65页 |
| 3.4.1 Standard PageRank Algorithm | 第60-61页 |
| 3.4.2 Limitations of PageRank | 第61页 |
| 3.4.3 ComRank Algorithm | 第61-65页 |
| 3.5 Experiments and Analysis | 第65-70页 |
| 3.5.1 Experimental Setup | 第65-66页 |
| 3.5.2 Experimental Results and Analysis | 第66-69页 |
| 3.5.3 Computational Cost | 第69-70页 |
| 3.6 Summary | 第70-71页 |
| Chapter-4: IPRank Algorithm for Identification of Influential People | 第71-85页 |
| 4.1 Introduction | 第71-73页 |
| 4.2 Related Work | 第73-74页 |
| 4.3 Problem Definition | 第74-76页 |
| 4.4 Influential People Rank Algorithm (IPRank) | 第76-80页 |
| 4.4.1 TunkRank Algorithm | 第76页 |
| 4.4.2 Limitations of TunkRank | 第76-77页 |
| 4.4.3 Modeling the Interaction Strength | 第77-78页 |
| 4.4.4 IPRank Algorithm (IPRank) | 第78-80页 |
| 4.5 Experiments and Analysis | 第80-84页 |
| 4.5.1 Experimental Setup | 第80页 |
| 4.5.2 Experimental Results and Analysis | 第80-81页 |
| 4.5.3 Comparative Analysis | 第81-82页 |
| 4.5.4 Implications | 第82-83页 |
| 4.5.5 Significance of Factors | 第83页 |
| 4.5.6 Computational Cost | 第83-84页 |
| 4.6 Summary | 第84-85页 |
| Chapter-5: Prediction of Rising Venues based on Machine Learning | 第85-103页 |
| 5.1 Introduction | 第85-88页 |
| 5.2 Related Work | 第88-89页 |
| 5.3 Problem Definition | 第89页 |
| 5.4 Features Engineering | 第89-94页 |
| 5.4.1 Venue Inter Performance Evaluation (VIPE) | 第90页 |
| 5.4.2 Venue Index (VI) | 第90-91页 |
| 5.4.3 Venue Precedence (VP) | 第91页 |
| 5.4.4 Venue Entropy (VE) | 第91-92页 |
| 5.4.5 Maximal Citation Gain (MCG) | 第92页 |
| 5.4.6 Predictive Models | 第92-94页 |
| 5.5 Experiments and Analysis | 第94-100页 |
| 5.5.1 Experimental Setup | 第94-95页 |
| 5.5.2 Statistical Distribution of Features | 第95-96页 |
| 5.5.3 Significance of Features | 第96页 |
| 5.5.4 Individual Feature Analysis | 第96-99页 |
| 5.5.5 Classification Performance of MLC | 第99页 |
| 5.5.6 Rising Venues (RVs) | 第99-100页 |
| 5.6 Summary | 第100-103页 |
| Chapter-6: Conclusion and Future Directions | 第103-107页 |
| 6.1 Research Summary | 第103-105页 |
| 6.2 Future Directions | 第105-107页 |
| References | 第107-117页 |
| Acknowledgement | 第117-119页 |
| List of Publications | 第119页 |
