| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究背景 | 第9页 |
| 1.2 研究目的与意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-11页 |
| 1.4 本文组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 第2章 社交网络用户影响力研究基础 | 第13-18页 |
| 2.1 基本理论 | 第13-14页 |
| 2.1.1 基本概念 | 第13-14页 |
| 2.1.2 影响力最大化问题定义 | 第14页 |
| 2.2 社交网络中常见的信息传播模型 | 第14-15页 |
| 2.2.1 独立级联模型 | 第15页 |
| 2.2.2 线性闭值模型 | 第15页 |
| 2.3 常见主题模型 | 第15-17页 |
| 2.3.1 LSA | 第16页 |
| 2.3.2 LDA | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第3章 基于用户行为的实时影响力算法URIR | 第18-33页 |
| 3.1 PageRank模型思想 | 第18-19页 |
| 3.2 PageRank算法原理 | 第19-22页 |
| 3.2.1 PageRank算法示例 | 第19-20页 |
| 3.2.2 PageRank算法通用计算公式 | 第20-22页 |
| 3.3 URIR算法设计 | 第22-26页 |
| 3.3.1 兴趣度W(τ) | 第23-24页 |
| 3.3.2 活跃度θ(t) | 第24页 |
| 3.3.3 影响力分配因子计算 | 第24-26页 |
| 3.4 实验设计与分析 | 第26-31页 |
| 3.4.1 数据集 | 第26页 |
| 3.4.2 URIR算法实现 | 第26-27页 |
| 3.4.3 URIR的收敛性 | 第27-28页 |
| 3.4.4 URIR与PageRank的对比实验 | 第28-30页 |
| 3.4.5 不同时刻URIR排名结果对比 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第4章 基于主题的影响力最大化算法Topic_MIA | 第33-46页 |
| 4.1 问题描述及相关定义 | 第33-34页 |
| 4.1.1 基于主题的影响力最大化问题 | 第33-34页 |
| 4.1.2 主题 | 第34页 |
| 4.2 微博数据预处理 | 第34-35页 |
| 4.2.1 改进的数据预处理流程 | 第34-35页 |
| 4.2.2 主题传播度 | 第35页 |
| 4.3 K-means算法和LDA相结合的主题挖掘方法KM_LDA | 第35-38页 |
| 4.3.1 K-means主题聚类 | 第35-36页 |
| 4.3.2 LDA主题挖掘 | 第36-37页 |
| 4.3.3 基于主题的LDA建模过程 | 第37页 |
| 4.3.4 基于主题的LDA参数推演 | 第37-38页 |
| 4.3.5 主题挖掘方法KM_LDA建模流程 | 第38页 |
| 4.4 基于主题的信息传播模型Topic_IC | 第38-39页 |
| 4.4.1 兴趣度 | 第38页 |
| 4.4.2 主题相似度 | 第38-39页 |
| 4.5 基于主题的影响力最大化算法Topic_MIA | 第39-40页 |
| 4.5.1 基于主题的影响力最大化算法流程图 | 第39-40页 |
| 4.5.2 节点筛选 | 第40页 |
| 4.5.3 Topic_MIA算法流程 | 第40页 |
| 4.6 对比实验设计 | 第40-45页 |
| 4.6.1 数据集的选取 | 第40-41页 |
| 4.6.2 对比实验算法的选取 | 第41页 |
| 4.6.3 实验对比参数设置 | 第41-42页 |
| 4.6.4 实验结果分析 | 第42-45页 |
| 4.7 本章小结 | 第45-46页 |
| 第5章 总结与展望 | 第46-48页 |
| 5.1 论文工作总结 | 第46页 |
| 5.2 工作展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 在校期间发表的学术论文及研究成果 | 第51-52页 |
| 致谢 | 第52页 |
