| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 社交网络垃圾信息检测过滤 | 第12-13页 |
| 1.2.2 社交网络中用户兴趣分析预测 | 第13-14页 |
| 1.3 主要研究工作 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 相关基础知识概述 | 第16-30页 |
| 2.1 概率图模型 | 第16-17页 |
| 2.2 概率主题模型 | 第17-23页 |
| 2.2.1 潜在语义分析 | 第17-18页 |
| 2.2.2 概率潜在语义分析 | 第18-19页 |
| 2.2.3 隐含狄利克雷分布 | 第19-23页 |
| 2.3 推荐系统中的矩阵分解方法 | 第23-30页 |
| 2.3.1 奇异值分解 | 第23-26页 |
| 2.3.2 概率矩阵分解 | 第26-30页 |
| 第3章 基于LDA分类特征扩展的微博广告过滤方法 | 第30-42页 |
| 3.1 引言 | 第30页 |
| 3.2 相关工作 | 第30-31页 |
| 3.3 基于LDA的分类特征扩展及消除背景领域特征影响 | 第31-36页 |
| 3.3.1 基于LDA的分类特征扩展微博广告过滤模型 | 第32-35页 |
| 3.3.2 非平衡数据集分类处理 | 第35-36页 |
| 3.4 实验结果及分析 | 第36-40页 |
| 3.4.1 实验数据 | 第36-37页 |
| 3.4.2 实验设置 | 第37页 |
| 3.4.3 实验结果及对比 | 第37-40页 |
| 3.5 总结 | 第40-42页 |
| 第4章 基于社交圈的微博用户兴趣预测 | 第42-56页 |
| 4.1 引言 | 第42-43页 |
| 4.2 相关工作 | 第43-44页 |
| 4.3 模型表示 | 第44-45页 |
| 4.3.1 问题定义 | 第44页 |
| 4.3.2 用户兴趣表示 | 第44-45页 |
| 4.3.3 方法流程框架 | 第45页 |
| 4.4 基于时序行为的用户最近邻选择及兴趣主题间关联关系选择 | 第45-47页 |
| 4.5 用户朋友圈整体兴趣趋势分析 | 第47-48页 |
| 4.6 基于社交圈的用户兴趣预测 | 第48-51页 |
| 4.7 实验结果及分析 | 第51-54页 |
| 4.7.1 实验数据 | 第51页 |
| 4.7.2 评价标准 | 第51页 |
| 4.7.3 对比实验 | 第51页 |
| 4.7.4 实验结果及分析 | 第51-54页 |
| 4.8 总结 | 第54-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 工作总结 | 第56-57页 |
| 5.2 未来研究工作展望 | 第57-58页 |
| 5.2.1 社交网络垃圾信息过滤方面 | 第57页 |
| 5.2.2 社交网络用户兴趣预测方面 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第66页 |
