首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--计算机网络论文--一般性问题论文

微博用户行为分析技术的研究与实现

表目录第1-8页
图目录第8-10页
摘要第10-11页
ABSTRACT第11-12页
第一章 引言第12-20页
   ·课题背景第12-13页
   ·国内外研究现状第13-17页
     ·用户行为分析第13-14页
     ·查询会话中的用户行为分析第14-15页
     ·基于流量的用户行为分析第15-16页
     ·Twitter Level 系统第16-17页
   ·本文研究内容第17-18页
   ·本文结构第18-20页
第二章 相关研究工作第20-36页
   ·微博用户行为分析数据获取技术第20-23页
     ·微博用户行为数据获取技术第20-22页
     ·用户分类的词库搭建数据获取的爬虫技术第22-23页
   ·微博用户行为分析数据预处理技术第23-25页
     ·数据清理第23-24页
     ·微博博文的形式化分词技术第24-25页
   ·微博用户兴趣分类数据挖掘技术第25-31页
     ·用户兴趣分类中的监督学习技术第26-30页
     ·词库特征词推荐中的关联分析技术第30-31页
   ·用户基本分析及特殊类用户甄别中的统计分析技术第31-33页
     ·概述第31-32页
     ·统计指标第32页
     ·统计表和统计图第32-33页
   ·用户行为分析第33-35页
     ·网络用户行为的概念第33页
     ·网络用户行为的特点第33-34页
     ·网络用户行为的分类第34页
     ·网络用户行为分析的概念第34-35页
   ·本章小结第35-36页
第三章 微博用户行为分析相关模型第36-47页
   ·微博用户行为分析的相关概念第36-39页
     ·微博用户行为分析第36页
     ·微博用户群体第36-38页
     ·微博话题第38页
     ·用户兴趣分类及特殊类话题用户判定第38-39页
   ·微博用户行为分析相关模型第39-46页
     ·单一用户基本分析模型第39-40页
     ·单一(特殊)用户潜在特性挖掘第40-42页
     ·群体用户行为分析模型第42-45页
     ·博主分析模型第45-46页
   ·本章小结第46-47页
第四章 微博用户分类的特征词权重优化及推荐策略第47-56页
   ·问题的提出第47-49页
     ·传统分类算法的局限性第47-48页
     ·基本关联分析对推荐特征词的局限性第48-49页
   ·特殊话题分类算法的特征词权重优化策略第49-53页
     ·文本分类的步骤第49-50页
     ·TF-IDF第50页
     ·基于时间因素的特征词权重调整策略第50-52页
     ·实验数据测试分析第52-53页
   ·关联分析与 TF-IDF 相结合的特征词推荐策略第53-55页
     ·Apriori 算法第53页
     ·关联分析与 TF-IDF 相结合的特征词推荐策略第53-54页
     ·实验数据分析第54-55页
   ·本章小结第55-56页
第五章 行为分析技术的研究与实现第56-78页
   ·系统架构第56-58页
   ·微博用户基本行为分析及通用模块第58-68页
     ·微博数据采集模块第58-61页
     ·博文数据处理模块第61-63页
     ·基本行为查询模块第63-65页
     ·博主数据库模块第65-66页
     ·博主微博维护模块第66-68页
     ·分类词库维护模块第68页
   ·潜在特性挖掘分析模块第68-75页
     ·单一用户兴趣分类第68-72页
     ·特殊类用户甄别第72-73页
     ·群体用户的行为分析第73-74页
     ·用户身份预测第74页
     ·潜在特性挖掘分析模块第74-75页
   ·微博用户行为分析系统结果测试与分析第75-77页
     ·用户基本行为分析第75-76页
     ·潜在特性挖掘分析第76-77页
   ·本章小结第77-78页
结束语第78-79页
 全文工作总结第78页
 工作展望第78-79页
致谢第79-80页
参考文献第80-83页
作者在学期间取得的学术成果第83页

论文共83页,点击 下载论文
上一篇:一种面向传统应用的新型网络化运行支撑环境及面向GTK+应用的实现
下一篇:Web服务组合安全性动态检测技术研究与实现