基于社交网络的话题传播模型挖掘及应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 病毒传播模型 | 第10页 |
| 1.2.2 信息级联模型 | 第10-11页 |
| 1.2.3 其他传播模型 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12页 |
| 1.4 论文的内容安排 | 第12-14页 |
| 2 微博数据的获取和统计分析 | 第14-23页 |
| 2.1 面向微博的话题爬虫系统的设计 | 第14-17页 |
| 2.1.1 微博话题介绍 | 第14页 |
| 2.1.2 需求分析 | 第14页 |
| 2.1.3 系统设计 | 第14-17页 |
| 2.2 实验 | 第17-19页 |
| 2.2.1 实验平台 | 第17-18页 |
| 2.2.2 与以用户为中心爬虫系统比较 | 第18-19页 |
| 2.3 爬取的话题微博数据的统计分析 | 第19-22页 |
| 2.3.1 话题微博数量分布 | 第19-20页 |
| 2.3.2 微博的转发层次分析 | 第20页 |
| 2.3.3 微博转发的时间分析 | 第20-21页 |
| 2.3.4 微博转发的时间趋势 | 第21-22页 |
| 2.3.5 微博转发、评论和点赞趋势 | 第22页 |
| 2.4 本章总结 | 第22-23页 |
| 3 现有话题传播模型和STIC模型 | 第23-40页 |
| 3.1 IC模型 | 第23-29页 |
| 3.1.1 IC模型原理 | 第23-26页 |
| 3.1.2 影响概率的计算 | 第26-28页 |
| 3.1.3 影响力最大化 | 第28-29页 |
| 3.2 基于主题的IC模型(TIC模型) | 第29-31页 |
| 3.3 支持向量机 | 第31-32页 |
| 3.4 STIC模型 | 第32-36页 |
| 3.4.1 信息传播第一层:F层 | 第33-35页 |
| 3.4.2 信息传播第二层:C层 | 第35-36页 |
| 3.5 实验 | 第36-38页 |
| 3.5.1 同一个话题下微博预测分析 | 第36-37页 |
| 3.5.2 新话题的预测分析 | 第37-38页 |
| 3.5.3 应用--传播最大化 | 第38页 |
| 3.6 本章总结 | 第38-40页 |
| 4 展望 | 第40-42页 |
| 4.1 论文的主要工作 | 第40-41页 |
| 4.2 展望 | 第41-42页 |
| 参考文献 | 第42-45页 |
| 硕士期间发表的学术论文及研究成果 | 第45-46页 |
| 致谢 | 第46页 |
