| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 本文工作 | 第12页 |
| 1.3.1 主要研究内容 | 第12页 |
| 1.3.2 研究目标 | 第12页 |
| 1.4 本文结构 | 第12-14页 |
| 第2章 社交网络中用户推荐相关技术介绍 | 第14-33页 |
| 2.1 好友推荐技术的研究现状 | 第14-15页 |
| 2.1.1 基于用户特征的好友推荐 | 第14页 |
| 2.1.2 基于用户关系网络的好友推荐 | 第14-15页 |
| 2.2 社交网络中不可信用户检测的研究现状 | 第15-16页 |
| 2.3 社区划分的研究现状 | 第16-18页 |
| 2.3.1 基于优化目标函数的复杂网络社区划分方法 | 第17-18页 |
| 2.3.2 启发式的复杂网络聚类方法 | 第18页 |
| 2.4 微博话题识别的研究现状 | 第18-19页 |
| 2.5 社交网络中的信任度 | 第19-20页 |
| 2.6 支持向量机模型 | 第20-26页 |
| 2.6.1 最大间隔超平面 | 第21页 |
| 2.6.2 线性可分支持向量分类机(线性硬间隔分类机) | 第21-22页 |
| 2.6.3 线性不可分支持向量分类机(线性软间隔分类机) | 第22-23页 |
| 2.6.4 非线性可分支持向量分类机(非线性硬间隔分类机) | 第23-24页 |
| 2.6.5 非线性不可分支持向量分类机(非线性软间隔分类机) | 第24页 |
| 2.6.6 核函数 | 第24-26页 |
| 2.7 并行化编程模型MapReduce | 第26-28页 |
| 2.7.1 MapReduce编程模型 | 第26-28页 |
| 2.7.2 Hadoop平台 | 第28页 |
| 2.8 微博爬虫技术的研究现状 | 第28-32页 |
| 2.8.1 JSoup解析器简介 | 第29-31页 |
| 2.8.2 Socket简介 | 第31页 |
| 2.8.3 Net平台下的WebBrowser控件 | 第31-32页 |
| 2.9 本章小结 | 第32-33页 |
| 第3章 基于信任关系及主题分析的推荐算法 | 第33-56页 |
| 3.1 算法整体框架 | 第33-35页 |
| 3.2 微博数据爬取模块 | 第35-37页 |
| 3.2.1 AJAX页面内容的获取 | 第35页 |
| 3.2.2 信息抽取 | 第35-36页 |
| 3.2.3 微博爬虫模块设计 | 第36-37页 |
| 3.3 微博数据预处理模块 | 第37-41页 |
| 3.3.1 LDA(Latent Dirichlet Allocation)主题模型 | 第38-39页 |
| 3.3.2 Gibbs抽样 | 第39-40页 |
| 3.3.3 用户关注主题向量的挖掘 | 第40-41页 |
| 3.4 社交网络中信任模型生成模块 | 第41-54页 |
| 3.4.1 用户间信任模型的构建 | 第41-44页 |
| 3.4.2 不可信用户的过滤 | 第44-46页 |
| 3.4.3 基于用户信任链的社区发现算法 | 第46-54页 |
| 3.5 推荐列表生成模块 | 第54-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第4章 实验效果与评估 | 第56-65页 |
| 4.1 不可信用户识别实验效果评估 | 第56-58页 |
| 4.1.1 实验环境及实验数据 | 第56-57页 |
| 4.1.2 基准方法的选择 | 第57页 |
| 4.1.3 实验结果分析 | 第57-58页 |
| 4.2 基于信任度的用户社区划分算法实验效果评估 | 第58-61页 |
| 4.2.1 实验环境及实验数据 | 第59页 |
| 4.2.2 精准度对比 | 第59-60页 |
| 4.2.3 可扩展性 | 第60-61页 |
| 4.3 用户推荐算法实验效果评估 | 第61-63页 |
| 4.3.1 评价方法 | 第61-62页 |
| 4.3.2 实验结果评估与分析 | 第62-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第5章 总结和展望 | 第65-67页 |
| 5.1 本文总结 | 第65-66页 |
| 5.2 不足与展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间发表的论文 | 第72页 |
