| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究问题与目标 | 第8-9页 |
| 1.3 研究内容与论文结构 | 第9-11页 |
| 第二章 相关工作 | 第11-26页 |
| 2.1 社交网络信息传播模型 | 第11-14页 |
| 2.1.1 社交网络信息传播模型概述 | 第11-13页 |
| 2.1.2 社交网络信息传播模型研究现状 | 第13-14页 |
| 2.2 社交网络信息传播预测 | 第14-16页 |
| 2.3 神经网络 | 第16-25页 |
| 2.3.1 神经网络的特征与功能 | 第16-18页 |
| 2.3.2 神经网络算法研究现状 | 第18页 |
| 2.3.3 神经网络算法 | 第18-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 社交网络混合信息传播模型构建 | 第26-36页 |
| 3.1 引言 | 第26-27页 |
| 3.2 社交网络混合信息传播模型假设和网络定义 | 第27-29页 |
| 3.3 社交网络混合信息传播过程建模 | 第29-30页 |
| 3.4 社交网络混合信息传播模型验证 | 第30-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于BP神经网络的社交网络信息传播预测算法 | 第36-49页 |
| 4.1 引言 | 第36页 |
| 4.2 基于BP神经网络的信息传播预测算法框架设计 | 第36-38页 |
| 4.3 基于粒子群算法优化的BP神经网络信息传播预测 | 第38-42页 |
| 4.4 实验结果与分析 | 第42-48页 |
| 4.4.1 数据来源 | 第42-46页 |
| 4.4.2 结果分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 基于LSTM的递归神经网络的信息传播预测算法 | 第49-58页 |
| 5.1 引言 | 第49页 |
| 5.2 基于LSTM递归神经网络的信息传播预测模型构建 | 第49-51页 |
| 5.3 基于LSTM递归神经网络的信息传播预测算法设计 | 第51-54页 |
| 5.4 实验与结果分析 | 第54-57页 |
| 5.4.1 数据来源 | 第54-55页 |
| 5.4.2 结果分析 | 第55-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 论文工作总结 | 第58-59页 |
| 6.2 进一步工作展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第63-64页 |
| 附录2 攻读硕士学位期间申请的专利 | 第64-65页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第65-66页 |
| 致谢 | 第66页 |
