| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 微博平台信息的特点 | 第9-10页 |
| 1.3 课题的主要研究内容 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 第2章 社交网络中转发次数预测背景介绍 | 第12-18页 |
| 2.1 国内外研究现状 | 第12-13页 |
| 2.2 微博数据的获取及其预处理 | 第13-18页 |
| 2.2.1 微博数据的获取 | 第13-15页 |
| 2.2.2 数据预处理 | 第15-18页 |
| 第3章 基于内容相似性特征的转发次数预测 | 第18-34页 |
| 3.1 逻辑回归分类模型 | 第18-23页 |
| 3.1.1 模型介绍 | 第18-20页 |
| 3.1.2 正则化的原理 | 第20-22页 |
| 3.1.3 正则化的两种形式：L1和L2 | 第22-23页 |
| 3.2 特征提取 | 第23-30页 |
| 3.2.1 Word Mover’s Distance简介 | 第23-28页 |
| 3.2.2 内容相似性特征的提取 | 第28-29页 |
| 3.2.3 微博常规特征 | 第29-30页 |
| 3.3 实验及其结果分析 | 第30-34页 |
| 3.3.1 实验数据集和评价指标 | 第31-32页 |
| 3.3.2 实验结果与分析 | 第32-34页 |
| 第4章 基于内容相似性限制项的转发次数预测 | 第34-42页 |
| 4.1 基于内容相似性限制项的逻辑回归模型 | 第34-35页 |
| 4.1.1 内容相似性限制项 | 第34页 |
| 4.1.2 基于内容相似性限制项的预测模型 | 第34-35页 |
| 4.2 参数学习算法 | 第35-39页 |
| 4.2.1 梯度下降法原理 | 第35-37页 |
| 4.2.2 预测模型参数求解 | 第37-39页 |
| 4.3 实验及其结果分析 | 第39-42页 |
| 4.3.1 实验数据集 | 第39-40页 |
| 4.3.2 实验结果与分析 | 第40-42页 |
| 第5章 总结与展望 | 第42-44页 |
| 5.1 论文总结 | 第42-43页 |
| 5.2 工作展望 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 致谢 | 第48-49页 |