| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-19页 |
| 1.1 研究背景与选题意义 | 第12-16页 |
| 1.1.1 研究背景 | 第12-14页 |
| 1.1.2 选题意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 论文的主要研究内容 | 第17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 2 相关技术研究及概念 | 第19-37页 |
| 2.1 复杂网络相关概念 | 第19-21页 |
| 2.1.1 图论表示 | 第19-20页 |
| 2.1.2 小世界 | 第20-21页 |
| 2.2 常用中心性指标 | 第21-24页 |
| 2.2.1 度中心性 | 第21-22页 |
| 2.2.2 介数中心性 | 第22页 |
| 2.2.3 紧密度中心性 | 第22-23页 |
| 2.2.4 特征向量中心性 | 第23页 |
| 2.2.5 中心性指标度量对比 | 第23-24页 |
| 2.3 影响力最大化问题描述 | 第24-25页 |
| 2.3.1 问题定义 | 第24-25页 |
| 2.3.2 评价方法 | 第25页 |
| 2.4 影响力传播模型 | 第25-27页 |
| 2.4.1 SI(易感-感染)模型 | 第26页 |
| 2.4.2 SIS(易感-感染-易感)模型 | 第26页 |
| 2.4.3 SIR(易感-感染-免疫)模型 | 第26-27页 |
| 2.5 网络爬虫 | 第27-32页 |
| 2.5.1 网络爬虫工作原理 | 第27-28页 |
| 2.5.2 通用网络爬虫 | 第28-30页 |
| 2.5.3 聚焦网络爬虫 | 第30-32页 |
| 2.6 新浪微博数据集爬取 | 第32-36页 |
| 2.6.1 微博发展现状 | 第33-34页 |
| 2.6.2 基于API的微博数据爬取方法 | 第34-35页 |
| 2.6.3 基于网络爬虫的微博数据爬取方法 | 第35-36页 |
| 2.7 本章小结 | 第36-37页 |
| 3 基于权重的K-SHELL改进算法——WKS算法 | 第37-51页 |
| 3.1 K-SHELL算法 | 第37-42页 |
| 3.1.1 K-Shell算法步骤 | 第38页 |
| 3.1.2 K-Shell算法实现流程 | 第38-39页 |
| 3.1.3 K-Shell算法伪代码 | 第39-40页 |
| 3.1.4 K-Shell算法实例分析 | 第40-42页 |
| 3.1.5 K-Shell算法的不足与缺陷 | 第42页 |
| 3.2 WKS算法的提出 | 第42页 |
| 3.3 WKS算法思想 | 第42-43页 |
| 3.4 无权网络边的潜在影响力度量 | 第43-45页 |
| 3.4.1 边的承重定义 | 第43页 |
| 3.4.2 边的影响力因子定义 | 第43-45页 |
| 3.5 加权度定义 | 第45页 |
| 3.6 WKS算法步骤设计 | 第45-46页 |
| 3.7 WKS算法时间复杂度分析 | 第46页 |
| 3.8 WKS算法实现流程 | 第46-47页 |
| 3.9 WKS算法实例分析 | 第47-49页 |
| 3.10 本章小结 | 第49-51页 |
| 4 算法仿真分析 | 第51-62页 |
| 4.1 仿真环境 | 第51-52页 |
| 4.2 仿真数据集 | 第52-53页 |
| 4.3 K-SHELL算法仿真 | 第53-56页 |
| 4.3.1 K-Shell算法仿真结果及分析 | 第53-55页 |
| 4.3.2 SIR模拟感染结果及分析 | 第55-56页 |
| 4.4 WKS算法仿真 | 第56-60页 |
| 4.4.1 WKS算法仿真结果及分析 | 第56-59页 |
| 4.4.2 SIR模拟感染结果及分析 | 第59-60页 |
| 4.5 仿真结论 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 论文工作总结 | 第62-63页 |
| 5.2 未来展望 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |