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 |