面向主题的新浪微博意见领袖研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究目的及意义 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 1.4.1 论文逻辑结构 | 第13页 |
| 1.4.2 论文章节安排 | 第13-15页 |
| 1.5 主要创新点 | 第15-17页 |
| 2 相关理论及研究现状 | 第17-31页 |
| 2.1 微博舆情研究现状概述 | 第17-22页 |
| 2.1.1 舆情控制相关研究 | 第17-18页 |
| 2.1.2 意见领袖相关研究 | 第18-20页 |
| 2.1.3 微博主题挖掘相关研究 | 第20-21页 |
| 2.1.4 微博预测相关研究 | 第21-22页 |
| 2.2 微博主题挖掘模型 | 第22-25页 |
| 2.2.1 LDA主题模型的符号及定义 | 第22-23页 |
| 2.2.2 LDA理论知识 | 第23-25页 |
| 2.3 微博预测模型——随机森林 | 第25-29页 |
| 2.3.1 随机森林的基分类器——决策树 | 第25-26页 |
| 2.3.2 随机森林的构建 | 第26-27页 |
| 2.3.3 随机森林算法的优点 | 第27-28页 |
| 2.3.4 随机森林的分类效果性能指标 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 面向主题的微博意见领袖识别方法 | 第31-47页 |
| 3.1 面向主题的微博意见领袖识别框架 | 第31-32页 |
| 3.2 基于LDA模型的微博主题挖掘 | 第32-36页 |
| 3.2.1 文本预处理 | 第33-35页 |
| 3.2.2 LDA建模与求解 | 第35-36页 |
| 3.2.3 分类微博文本及其相关信息 | 第36页 |
| 3.2.4 生成强度演化图 | 第36页 |
| 3.3 用户初始影响力衡量模型 | 第36-41页 |
| 3.3.1 模型提出 | 第36-37页 |
| 3.3.2 模型指标分析 | 第37-40页 |
| 3.3.3 意见领袖各指标量化 | 第40-41页 |
| 3.4 基于信息熵确定指标权重 | 第41-43页 |
| 3.5 用户关系图 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 面向主题的微博意见领袖预测模型 | 第47-61页 |
| 4.1 相关概念定义 | 第47-49页 |
| 4.2 预测模型概述 | 第49-51页 |
| 4.3 特征提取 | 第51-55页 |
| 4.3.1 用户网络结构 | 第51-53页 |
| 4.3.2 用户历史活跃度 | 第53页 |
| 4.3.3 微博历史传播力度 | 第53页 |
| 4.3.4 用户自身特征 | 第53-54页 |
| 4.3.5 用户话题参与度 | 第54-55页 |
| 4.4 非平衡微博数据的平衡化 | 第55-56页 |
| 4.5 意见领袖预测模型构建 | 第56-58页 |
| 4.6 随机森林算法参数选择 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 5 实验与分析 | 第61-73页 |
| 5.1 实验准备 | 第61-62页 |
| 5.1.1 数据集 | 第61页 |
| 5.1.2 数据预处理 | 第61-62页 |
| 5.2 实验设计及分析 | 第62-71页 |
| 5.2.1 主题挖掘及分析 | 第62-65页 |
| 5.2.2 面向主题的意见领袖识别 | 第65-67页 |
| 5.2.3 随机森林预测 | 第67-71页 |
| 5.3 本章小结 | 第71-73页 |
| 6 总结与展望 | 第73-77页 |
| 6.1 总结 | 第73-75页 |
| 6.2 研究展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 攻读学位期间的研究成果 | 第83-85页 |
| 致谢 | 第85页 |
