摘要 | 第3-5页 |
ABSTRACT | 第5-7页 |
第1章 绪论 | 第14-32页 |
1.1 课题研究背景 | 第14-18页 |
1.1.1 社会化媒体的发展 | 第16-17页 |
1.1.2 研究的目的和意义 | 第17-18页 |
1.2 研究现状分析 | 第18-28页 |
1.2.1 用户影响力研究模型 | 第19-27页 |
1.2.2 用户影响力研究的应用 | 第27-28页 |
1.3 本文主要研究内容及组织结构 | 第28-32页 |
1.3.1 本文研究内容 | 第28-29页 |
1.3.2 本文章节安排 | 第29-32页 |
第2章 基于多属性的用户影响力及演化分析 | 第32-48页 |
2.1 引言 | 第32页 |
2.2 相关工作 | 第32-34页 |
2.3 用户的影响力分析算法 | 第34-39页 |
2.3.1 影响力的社会化参数分析 | 第34-35页 |
2.3.2 基于多属性网络关联的用户影响力计算 | 第35-38页 |
2.3.3 影响力演变分析 | 第38-39页 |
2.3.4 用户影响力类型 | 第39页 |
2.4 用户影响力演化分析 | 第39-41页 |
2.5 实验分析 | 第41-46页 |
2.5.1 数据集 | 第41页 |
2.5.2 用户影响力结果分析 | 第41-45页 |
2.5.3 影响力演化模式 | 第45-46页 |
2.6 本章小结 | 第46-48页 |
第3章 结构洞用户影响力分析 | 第48-70页 |
3.1 引言 | 第48-49页 |
3.2 相关工作 | 第49-51页 |
3.3 基于多级合并的快速社区识别算法 | 第51-59页 |
3.3.1 节点合并算法 | 第52-56页 |
3.3.2 识别压缩图中的社区 | 第56-59页 |
3.3.3 压缩图回溯后的社区划分 | 第59页 |
3.4 结构洞用户影响力分析 | 第59-63页 |
3.5 实验分析 | 第63-69页 |
3.5.1 数据集 | 第63页 |
3.5.2 社区识别效果分析 | 第63-66页 |
3.5.3 结构洞用户识别结果与评价 | 第66-69页 |
3.6 本章小结 | 第69-70页 |
第4章 基于集合划分的用户影响力快速分析算法 | 第70-84页 |
4.1 引言 | 第70页 |
4.2 相关工作 | 第70-71页 |
4.3 网络用户影响力快速算法 | 第71-78页 |
4.3.1 随机游走与Page Rank算法的初始向量 | 第71-72页 |
4.3.2 用户关联图的连通性 | 第72-73页 |
4.3.3 用户关联图的稀疏性分析 | 第73-74页 |
4.3.4 基于邻接表的Page Rank计算 | 第74页 |
4.3.5 基于集合划分的SD-Rank改进算法 | 第74-78页 |
4.4 实验分析 | 第78-82页 |
4.4.1 数据集 | 第78-79页 |
4.4.2 SD-Rank算法排序正确性 | 第79-80页 |
4.4.3 SD-Rank算法运行效率 | 第80-82页 |
4.5 本章小结 | 第82-84页 |
第5章 基于热点事件演化的用户影响力分析 | 第84-104页 |
5.1 引言 | 第84-85页 |
5.2 相关工作 | 第85-86页 |
5.3 热点话题识别 | 第86-91页 |
5.3.1 预处理 | 第87-88页 |
5.3.2 静态视图的热点话题发现算法 | 第88-91页 |
5.4 热点话题的动态性分析 | 第91-93页 |
5.4.1 全局性事件识别方法 | 第91-92页 |
5.4.2 子事件识别方法 | 第92-93页 |
5.5 基于事件动态性的用户影响力计算 | 第93-97页 |
5.5.1 用户直接影响力计算 | 第93-95页 |
5.5.2 基于话题相似性的用户间接影响力计算 | 第95页 |
5.5.3 用户影响力参数判定 | 第95-97页 |
5.6 实验分析 | 第97-103页 |
5.6.1 数据集 | 第97-98页 |
5.6.2 评价方法 | 第98-99页 |
5.6.3 热点话题识别结果 | 第99-101页 |
5.6.4 用户影响力分析结果 | 第101-103页 |
5.7 本章小结 | 第103-104页 |
结论 | 第104-107页 |
参考文献 | 第107-120页 |
攻读博士学位期间发表的论文及其它成果 | 第120-122页 |
致谢 | 第122-124页 |
个人简历 | 第124页 |