基于极性分析的微博信息传播模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 极性分析 | 第12-13页 |
| 1.2.1.1 基于词典和规则的分析方法 | 第12-13页 |
| 1.2.1.2 监督学习的方法 | 第13页 |
| 1.2.1.3 基于语义的分析方法 | 第13页 |
| 1.2.2 信息传播模型 | 第13-15页 |
| 1.2.2.1 基于传播过程的模型 | 第13-14页 |
| 1.2.2.2 基于影响力的模型 | 第14页 |
| 1.2.2.3 基于转发因素的模型 | 第14-15页 |
| 1.2.3 影响力最大化估计 | 第15-16页 |
| 1.2.4 小结 | 第16页 |
| 1.3 论文的主要工作及组织结构 | 第16-18页 |
| 第2章 相关技术综述 | 第18-29页 |
| 2.1 微博的极性分析 | 第18-22页 |
| 2.1.1 情感词典 | 第18-19页 |
| 2.1.2 文本表示技术 | 第19-20页 |
| 2.1.2.1 布尔模型 | 第19-20页 |
| 2.1.2.2 概率模型 | 第20页 |
| 2.1.2.3 向量空间模型 | 第20页 |
| 2.1.3 分类模型 | 第20-22页 |
| 2.1.3.1 K-最近邻分类模型 | 第20页 |
| 2.1.3.2 朴素贝叶斯分类模型 | 第20-21页 |
| 2.1.3.3 支持向量机分类模型 | 第21-22页 |
| 2.2 微博中的信息传播 | 第22-25页 |
| 2.2.1 基于传播过程的信息传播模型 | 第23页 |
| 2.2.2 基于影响力的信息传播模型 | 第23-25页 |
| 2.2.3 基于转发因素的信息传播模型 | 第25页 |
| 2.3 影响力最大化估计 | 第25-28页 |
| 2.3.1 KK算法 | 第26页 |
| 2.3.2 启发式算法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 中文微博的极性分析 | 第29-39页 |
| 3.1 算法流程 | 第29-30页 |
| 3.2 预处理 | 第30-34页 |
| 3.2.1 微博特有的信息统计及交互信息过滤 | 第30-31页 |
| 3.2.2 微博分词 | 第31-32页 |
| 3.2.3 词性标注 | 第32-34页 |
| 3.3 特征提取 | 第34-37页 |
| 3.3.1 微博内容特征 | 第35页 |
| 3.3.2 微博媒体特征 | 第35-37页 |
| 3.4 极性分类及强度计算 | 第37-38页 |
| 3.4.1 极性分类 | 第37-38页 |
| 3.4.2 极性强度计算 | 第38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 融入极性因素的微博信息传播模型 | 第39-51页 |
| 4.1 信息传播关系图 | 第39-42页 |
| 4.2 极性对信息传播的影响 | 第42-44页 |
| 4.3 融入极性的信息传播模型 | 第44-50页 |
| 4.3.1 问题定义 | 第44-45页 |
| 4.3.2 特征选择 | 第45-47页 |
| 4.3.3 模型思路 | 第47-49页 |
| 4.3.4 算法流程 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 基于主题和极性的微博用户影响力最大化 | 第51-61页 |
| 5.1 影响力最大化问题 | 第51页 |
| 5.2 用户影响力行为分析 | 第51-54页 |
| 5.2.1 用户交互行为分析 | 第51-52页 |
| 5.2.2 用户活跃度分析 | 第52页 |
| 5.2.3 用户主题偏好和情感极性分析 | 第52-54页 |
| 5.3 用户影响力计算 | 第54-57页 |
| 5.3.1 用户之间影响力 | 第54-55页 |
| 5.3.2 用户在整个网络中的影响力 | 第55页 |
| 5.3.3 TPIRank算法 | 第55-57页 |
| 5.4 基于TPIRank的影响力最大化算法 | 第57-60页 |
| 5.4.1 算法流程 | 第57-58页 |
| 5.4.2 影响因子 | 第58页 |
| 5.4.3 启发阶段 | 第58-59页 |
| 5.4.4 贪婪阶段 | 第59-60页 |
| 5.4.5 搜索阶段 | 第60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 实验与分析 | 第61-76页 |
| 6.1 实验数据 | 第61-63页 |
| 6.1.1 转发样本识别 | 第62页 |
| 6.1.2 忽略样本识别 | 第62-63页 |
| 6.2 评测标准 | 第63-65页 |
| 6.2.1 准确率、召回率、F值 | 第63-64页 |
| 6.2.2 影响力最大化估计的评测标准 | 第64-65页 |
| 6.3 实验设计 | 第65-66页 |
| 6.3.1 极性对转发范围和速度的影响 | 第65页 |
| 6.3.2 微博信息传播模型对转发行为的预测 | 第65页 |
| 6.3.3 微博影响力最大化估计 | 第65-66页 |
| 6.4 实验结果及分析 | 第66-75页 |
| 6.4.1 极性对转发范围和速度的影响 | 第66-69页 |
| 6.4.2 微博信息传播模型对转发行为的预测 | 第69-73页 |
| 6.4.3 微博影响力最大化估计 | 第73-75页 |
| 6.5 本章小结 | 第75-76页 |
| 第7章 总结与展望 | 第76-79页 |
| 7.1 本文总结 | 第76-77页 |
| 7.2 未来工作展望 | 第77-79页 |
| 参考文献 | 第79-84页 |
| 攻读硕士学位期间主要的研究成果 | 第84-85页 |
| 致谢 | 第85页 |
