面向社交媒体的网络和内容分析关键技术研究
| 摘要 | 第13-15页 |
| ABSTRACT | 第15-16页 |
| 第一章 绪论 | 第17-27页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 研究现状 | 第18-24页 |
| 1.2.1 社交网络分析 | 第19-21页 |
| 1.2.2 社交网络中的节点排名和链接预测 | 第21-22页 |
| 1.2.3 社交媒体中的事件分析 | 第22-23页 |
| 1.2.4 社交媒体不可靠内容分析 | 第23-24页 |
| 1.3 主要工作及贡献 | 第24-25页 |
| 1.4 各章节安排 | 第25-27页 |
| 第二章 社交网络表示模型 | 第27-47页 |
| 2.1 社交网络表示模型概述 | 第27-28页 |
| 2.2 基于超图的层次化社交网络模型 | 第28-29页 |
| 2.2.1 问题定义 | 第28页 |
| 2.2.2 元素定义 | 第28-29页 |
| 2.2.3 表示模型 | 第29页 |
| 2.3 脸书案例研究 | 第29-32页 |
| 2.3.1 网络结构 | 第30页 |
| 2.3.2 网络特性分析 | 第30-32页 |
| 2.3.2.1 度分析 | 第30-32页 |
| 2.3.2.2 最短路径和聚集系数分析 | 第32页 |
| 2.4 CASN案例研究 | 第32-45页 |
| 2.4.1 企业社交网络模型 | 第33-35页 |
| 2.4.2 社交商务系统框架设计 | 第35-36页 |
| 2.4.3 企业社交网络可视化分析 | 第36-40页 |
| 2.4.3.1 整体特征可视化 | 第37-38页 |
| 2.4.3.2 关系细节可视化 | 第38页 |
| 2.4.3.3 企业集群可视化 | 第38-40页 |
| 2.4.4 企业社交网络基本属性分析 | 第40-45页 |
| 2.4.4.1 度分析 | 第40-42页 |
| 2.4.4.2 最短路径和聚集系数分析 | 第42页 |
| 2.4.4.3 自我网络分析 | 第42-44页 |
| 2.4.4.4 顿巴圈子识别 | 第44-45页 |
| 2.5 小结 | 第45-47页 |
| 第三章 社交网络中的节点排名 | 第47-57页 |
| 3.1 节点排名概述 | 第47-48页 |
| 3.2 二部图中的节点排名 | 第48-52页 |
| 3.2.1 PageRank和HITS算法 | 第48-49页 |
| 3.2.2 TOPK算法 | 第49-51页 |
| 3.2.3 参数K的选取 | 第51页 |
| 3.2.4 TOPK算法的收敛性 | 第51-52页 |
| 3.3 实验和分析 | 第52-56页 |
| 3.3.1 实验准备 | 第52页 |
| 3.3.2 基于汽车质量的评价方法 | 第52-54页 |
| 3.3.3 基于企业聚类的评价方法 | 第54页 |
| 3.3.4 供应商排名评价 | 第54页 |
| 3.3.5 参数K的评价 | 第54-56页 |
| 3.4 小结 | 第56-57页 |
| 第四章 社交网络中的链接预测 | 第57-71页 |
| 4.1 链接预测概述 | 第57-58页 |
| 4.2 基础模型 | 第58-62页 |
| 4.2.1 可交换数组 | 第58-59页 |
| 4.2.2 具有高斯过程先验的随机函数 | 第59-60页 |
| 4.2.3 变分期望最大化 | 第60-61页 |
| 4.2.4 在线链接预测模型 | 第61-62页 |
| 4.3 结合网络形成博弈的模型 | 第62-65页 |
| 4.3.1 网络形成博弈 | 第62-63页 |
| 4.3.2 基于网络形成博弈的预测模型 | 第63-65页 |
| 4.4 实验 | 第65-69页 |
| 4.4.1 实验设置 | 第65-66页 |
| 4.4.2 实验结果 | 第66-69页 |
| 4.5 小结 | 第69-71页 |
| 第五章 结合新闻和社交媒体的事件分析 | 第71-83页 |
| 5.1 事件分析概述 | 第71-72页 |
| 5.2 多角度事件分析模型EvA | 第72-76页 |
| 5.2.1 问题定义 | 第72-73页 |
| 5.2.2 模型描述 | 第73-74页 |
| 5.2.3 推理过程 | 第74-75页 |
| 5.2.4 事件类别分类 | 第75-76页 |
| 5.2.5 扩展分析 | 第76页 |
| 5.3 实验和分析 | 第76-81页 |
| 5.3.1 数据集 | 第76-77页 |
| 5.3.2 事件特征提取 | 第77-79页 |
| 5.3.3 事件类别分类 | 第79-80页 |
| 5.3.4 扩展分析 | 第80-81页 |
| 5.4 小结 | 第81-83页 |
| 第六章 社交媒体不可靠内容分析 | 第83-107页 |
| 6.1 不可靠内容分析概述 | 第83-85页 |
| 6.2 社交媒体假新闻语言特征分析 | 第85-93页 |
| 6.2.1 数据集 | 第85-86页 |
| 6.2.1.1 新闻媒体 | 第86页 |
| 6.2.1.2 社交媒体 | 第86页 |
| 6.2.2 逻辑回归分类器 | 第86-88页 |
| 6.2.2.1 特征 | 第87页 |
| 6.2.2.2 特征计算 | 第87-88页 |
| 6.2.3 深度学习分类器 | 第88-90页 |
| 6.2.4 结果分析 | 第90-93页 |
| 6.2.4.1 分类效果 | 第90-91页 |
| 6.2.4.2 特征有效性 | 第91-92页 |
| 6.2.4.3 发现的模式 | 第92-93页 |
| 6.3 不可靠内容的细粒度分类 | 第93-105页 |
| 6.3.1 数据集 | 第93-95页 |
| 6.3.1.1 SHPT数据集 | 第94-95页 |
| 6.3.1.2 PolitiFact数据集 | 第95页 |
| 6.3.1.3 数据预处理 | 第95页 |
| 6.3.2 方法 | 第95-97页 |
| 6.3.2.1 特征 | 第95-96页 |
| 6.3.2.2 特征计算 | 第96页 |
| 6.3.2.3 逻辑回归分类器 | 第96页 |
| 6.3.2.4 深度学习分类器 | 第96-97页 |
| 6.3.3 分析 | 第97-105页 |
| 6.3.3.1 分类效果分析 | 第97-98页 |
| 6.3.3.2 语言风格分析 | 第98-100页 |
| 6.3.3.3 新闻分享分析 | 第100页 |
| 6.3.3.4 标题分析 | 第100-101页 |
| 6.3.3.5 情感分析 | 第101-102页 |
| 6.3.3.6 主观性分析 | 第102页 |
| 6.3.3.7 立场分析 | 第102-104页 |
| 6.3.3.8 分析总结 | 第104-105页 |
| 6.4 小结 | 第105-107页 |
| 第七章 总结与展望 | 第107-111页 |
| 7.1 总结 | 第107-108页 |
| 7.2 展望 | 第108-111页 |
| 参考文献 | 第111-125页 |
| 致谢 | 第125-127页 |
| 博士期间发表的论文 | 第127-128页 |
| 博士期间发布的专利 | 第128页 |
| 博士期间参加的科研工作 | 第128-129页 |
| 博士期间获得的奖励 | 第129-131页 |
| 外文论文一 | 第131-151页 |
| 外文论文二 | 第151-179页 |
| 学位论文评阅及答辩情况表 | 第179页 |
