| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文的组织 | 第16-19页 |
| 第二章 融合用户行为和时间窗的动态微博主题挖掘 | 第19-39页 |
| 2.1 引言 | 第19-20页 |
| 2.2 LDA主题模型介绍 | 第20-24页 |
| 2.2.1 LDA主题模型基本思想 | 第20-22页 |
| 2.2.2 基于Gibbs抽样的LDA | 第22-24页 |
| 2.3 融合用户行为和时间窗的动态微博主题挖掘 | 第24-30页 |
| 2.3.1 微博用户行为分析 | 第24-25页 |
| 2.3.2 融合微博用户行为和时间窗的微博主题模型 | 第25-28页 |
| 2.3.3 基于增量Gibbs抽样算法的主题确定 | 第28-29页 |
| 2.3.4 微博生成算法描述 | 第29-30页 |
| 2.4 数据获取与预处理 | 第30-31页 |
| 2.5 微博主题演化 | 第31-32页 |
| 2.5.1 微博主题相似度度量 | 第32页 |
| 2.5.2 微博主题强度度量 | 第32页 |
| 2.6 实验与分析 | 第32-37页 |
| 2.6.1 实验环境 | 第32页 |
| 2.6.2 实验准备 | 第32-33页 |
| 2.6.3 实验结果及结论分析 | 第33-37页 |
| 2.7 本章小结 | 第37-39页 |
| 第三章 基于微博主题和用户关注关系的社交圈检测算法 | 第39-51页 |
| 3.1 引言 | 第39-40页 |
| 3.2 社区发现技术 | 第40-41页 |
| 3.3 基于微博主题和用户关注关系的社交圈检测算法 | 第41-44页 |
| 3.3.1 基本思想 | 第41页 |
| 3.3.2 用户相似性 | 第41-42页 |
| 3.3.3 算法描述 | 第42-44页 |
| 3.4 实验与分析 | 第44-49页 |
| 3.4.1 实验数据获取及预处理 | 第44-45页 |
| 3.4.2 实验环境 | 第45页 |
| 3.4.3 实验评价指标 | 第45页 |
| 3.4.4 实验内容及结果分析 | 第45-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第四章 基于主题分析和社交圈发现的微博朋友推荐 | 第51-61页 |
| 4.1 引言 | 第51-52页 |
| 4.2 微博推荐技术 | 第52-54页 |
| 4.2.1 基于用户特征的推荐 | 第52-53页 |
| 4.2.2 基于用户社交圈的推荐 | 第53-54页 |
| 4.3 基于主题分析和社交圈发现的微博朋友推荐 | 第54-58页 |
| 4.3.1 社交圈检测算法 | 第54-55页 |
| 4.3.2 用户主题提取及用户间相似度计算 | 第55页 |
| 4.3.3 微博权威用户及信任度传播模型 | 第55-57页 |
| 4.3.4 基于主题分析和社交圈发现的微博朋友推荐算法 | 第57-58页 |
| 4.4 实验与分析 | 第58-60页 |
| 4.4.1 实验数据获取与预处理 | 第58页 |
| 4.4.2 评价指标 | 第58页 |
| 4.4.3 实验设计与结果分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 微博用户朋友推荐原型系统 | 第61-67页 |
| 5.1 引言 | 第61页 |
| 5.2 系统架构 | 第61-62页 |
| 5.3 微博语料收集与处理 | 第62-64页 |
| 5.4 系统功能 | 第64-65页 |
| 5.5 本章小结 | 第65-67页 |
| 第六章 结束语 | 第67-69页 |
| 6.1 论文总结 | 第67-68页 |
| 6.2 下一步工作 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 附录A 攻读硕士学位期间发表论文与申请软件著作权 | 第75-77页 |
| 附录B 攻读硕士期间参与项目 | 第77页 |
