| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 图录 | 第10-11页 |
| 表录 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题研究背景 | 第12-15页 |
| 1.1.1 微博的产生与发展 | 第12-13页 |
| 1.1.2 微博的特点 | 第13-14页 |
| 1.1.3 微博的传播效果 | 第14-15页 |
| 1.2 微博传播效果研究现状 | 第15-17页 |
| 1.2.1 传播效果基本概念 | 第15-16页 |
| 1.2.2 微博传播效果研究现状 | 第16-17页 |
| 1.3 论文结构安排 | 第17-18页 |
| 第二章 基于转发概率传递的转发规模预测模型 | 第18-32页 |
| 2.1 引言 | 第18-19页 |
| 2.2 基于转发动因的转发行为特征提取 | 第19-23页 |
| 2.2.1 发布用户影响力 | 第19-21页 |
| 2.2.2 接收用户活跃度 | 第21页 |
| 2.2.3 微博内容重要性 | 第21-22页 |
| 2.2.4 接收用户兴趣与微博内容相似度 | 第22页 |
| 2.2.5 发布用户与接收用户亲密度 | 第22-23页 |
| 2.3 预测算法的分析与选择 | 第23-26页 |
| 2.3.1 C4.5 决策树 | 第23页 |
| 2.3.2 朴素贝叶斯算法 | 第23-24页 |
| 2.3.3 K 近邻算法 | 第24页 |
| 2.3.4 支持向量机 | 第24-25页 |
| 2.3.5 算法性能比较 | 第25-26页 |
| 2.4 基于转发概率传递的转发规模预测模型 | 第26-30页 |
| 2.4.1 转发规模与转发行为关系分析 | 第26-27页 |
| 2.4.2 算法流程 | 第27-28页 |
| 2.4.3 评价指标 | 第28-29页 |
| 2.4.4 实验结果及分析 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于 RBF 神经网络的微博传播时间预测模型 | 第32-42页 |
| 3.1 引言 | 第32页 |
| 3.2 传播时间特点分析及特征选择 | 第32-35页 |
| 3.2.1 传播时间的特点 | 第32-35页 |
| 3.2.2 特征选择 | 第35页 |
| 3.3 连续值预测模型介绍 | 第35-36页 |
| 3.3.1 回归预测模型 | 第35-36页 |
| 3.3.2 人工神经网络 | 第36页 |
| 3.4 基于 RBF 神经网络的传播时间预测模型 | 第36-41页 |
| 3.4.1 预测模型建立 | 第36-38页 |
| 3.4.2 特征预处理 | 第38页 |
| 3.4.3 预测模型参数学习 | 第38-39页 |
| 3.4.4 评价指标 | 第39页 |
| 3.4.5 实验结果及分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于新浪微博的传播效果分析预测系统设计 | 第42-56页 |
| 4.1 引言 | 第42页 |
| 4.2 新浪微博 API 技术概述 | 第42-45页 |
| 4.2.1 新浪微博开发流程 | 第43页 |
| 4.2.2 OAuth2.0 认证授权 | 第43-44页 |
| 4.2.3 数据交换方式 | 第44-45页 |
| 4.3 系统结构与设计 | 第45-53页 |
| 4.3.1 系统总体结构和功能 | 第45-46页 |
| 4.3.2 认证授权模块 | 第46页 |
| 4.3.3 数据采集模块 | 第46-48页 |
| 4.3.4 数据存储模块 | 第48-50页 |
| 4.3.5 数据处理模块 | 第50-51页 |
| 4.3.6 传播效果预测模块 | 第51-53页 |
| 4.4 系统测试 | 第53-54页 |
| 4.4.1 数据采集能力测试 | 第53-54页 |
| 4.4.2 预测效果测试 | 第54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第62页 |