| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景与意义 | 第11-14页 |
| 1.1.1 研究背景 | 第11-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 研究内容与创新 | 第14-18页 |
| 1.2.1 研究内容 | 第14-17页 |
| 1.2.2 主要创新 | 第17-18页 |
| 1.3 文章组织安排 | 第18-20页 |
| 第二章 相关研究和技术概述 | 第20-32页 |
| 2.1 社会网络中的主要研究任务和相关技术 | 第20-24页 |
| 2.1.1 社会网络中的模型建立及分析 | 第20页 |
| 2.1.2 排序学习 | 第20-21页 |
| 2.1.3 查询日志处理 | 第21页 |
| 2.1.4 网络垃圾识别 | 第21-22页 |
| 2.1.5 图与链接的分析和挖掘 | 第22页 |
| 2.1.6 情感分析和观点挖掘 | 第22-23页 |
| 2.1.7 协同过滤 | 第23-24页 |
| 2.2 针对Twitter的情感分析及相关应用研究 | 第24-29页 |
| 2.2.1 使用机器学习技术的情感分析 | 第24-26页 |
| 2.2.2 考虑社会网络关系的情感分析 | 第26-27页 |
| 2.2.3 相关资源和工具 | 第27页 |
| 2.2.4 基于情感分析的相关应用研究 | 第27-29页 |
| 2.3 推荐任务中的矩阵分解技术 | 第29-31页 |
| 2.3.1 Netflix Prize和矩阵分解技术 | 第29页 |
| 2.3.2 矩阵分解基本模型 | 第29-30页 |
| 2.3.3 矩阵分解的学习算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 真实社会网络数据的获取和处理 | 第32-49页 |
| 3.1 关于Twitter的概述 | 第32-34页 |
| 3.1.1 Twitter数据获取的背景和意义 | 第32-33页 |
| 3.1.2 Twitter的相关知识 | 第33-34页 |
| 3.2 Twitter数据库的建立 | 第34-40页 |
| 3.2.1 关于Twitter API | 第34-35页 |
| 3.2.2 真实Twitter数据的获取 | 第35-39页 |
| 3.2.3 Twitter数据库中的信息预处理 | 第39-40页 |
| 3.3 Twitter数据库中用户消息文本的情感类别标记 | 第40-47页 |
| 3.3.1 基于情感词典资源的无监督情感分类 | 第41-42页 |
| 3.3.2 使用SentiStrength的情感分类 | 第42-44页 |
| 3.3.3 测试数据上的实验结果分析 | 第44-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第四章 用户关系预测中的情感影响模型建立及分析 | 第49-66页 |
| 4.1 任务概况 | 第49-51页 |
| 4.1.1 相关工作 | 第49-50页 |
| 4.1.2 任务描述 | 第50-51页 |
| 4.1.3 方法创新 | 第51页 |
| 4.2 用户关系预测中的情感影响因素描述 | 第51-54页 |
| 4.2.1 用户间的@-Message | 第51页 |
| 4.2.2 @-Message与情感影响假设 | 第51-53页 |
| 4.2.3 用户情感影响力描述 | 第53-54页 |
| 4.3 用户关系预测中情感影响模型的建立 | 第54-59页 |
| 4.3.1 基于@-Message链接图的用户情感影响力计算 | 第54-56页 |
| 4.3.2 基本预测特征选择 | 第56-57页 |
| 4.3.3 支持向量机分类预测技术 | 第57-58页 |
| 4.3.4 考虑情感影响的用户关系预测模型 | 第58-59页 |
| 4.4 实验和结果分析 | 第59-65页 |
| 4.4.1 实验设置 | 第60-61页 |
| 4.4.2 对比方法 | 第61页 |
| 4.4.3 结果分析 | 第61-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 个性化话题推荐中的情感影响模型建立及分析 | 第66-85页 |
| 5.1 任务概况 | 第66-69页 |
| 5.1.1 相关工作 | 第66-67页 |
| 5.1.2 任务描述 | 第67-68页 |
| 5.1.3 方法创新 | 第68-69页 |
| 5.2 个性化话题推荐中的情感影响因素描述 | 第69-74页 |
| 5.2.1 Twitter话题下的用户情感分布特征 | 第69-71页 |
| 5.2.2 不同话题的用户情感分布观察 | 第71-73页 |
| 5.2.3 关于个性化话题推荐中情感影响的假设检验 | 第73-74页 |
| 5.3 个性化话题推荐中情感影响模型的建立 | 第74-77页 |
| 5.3.1 个性化话题推荐任务下的低秩矩阵分解基本模型 | 第74-76页 |
| 5.3.2 基于话题情感分布的规则化约束 | 第76页 |
| 5.3.3 考虑情感影响的个性化话题推荐模型 | 第76-77页 |
| 5.4 实验和结果分析 | 第77-84页 |
| 5.4.1 实验设置 | 第78-81页 |
| 5.4.2 对比方法 | 第81-82页 |
| 5.4.3 结果分析 | 第82-84页 |
| 5.5 本章小结 | 第84-85页 |
| 第六章 用户对话题情感推测中的情感影响模型建立及分析 | 第85-105页 |
| 6.1 任务概况 | 第85-88页 |
| 6.1.1 相关工作 | 第85-86页 |
| 6.1.2 任务描述 | 第86-87页 |
| 6.1.3 方法创新 | 第87-88页 |
| 6.2 用户对话题情感推测中的情感影响因素描述 | 第88-90页 |
| 6.2.1 Twitter中朋友用户关系的定义 | 第88-89页 |
| 6.2.2 关于用户对话题情感推测中情感影响的假设检验 | 第89-90页 |
| 6.3 用户对话题的情感推测中情感影响模型的建立 | 第90-94页 |
| 6.3.1 基于朋友用户间情感影响的规则化约束 | 第90-92页 |
| 6.3.2 朋友用户间对话题的情感的相似度计算 | 第92页 |
| 6.3.3 考虑情感影响的用户对话题情感推测模型 | 第92-94页 |
| 6.4 实验和结果分析 | 第94-104页 |
| 6.4.1 实验设置 | 第95-96页 |
| 6.4.2 对比方法 | 第96-97页 |
| 6.4.3 结果分析 | 第97-104页 |
| 6.5 本章小结 | 第104-105页 |
| 第七章 总结与未来工作展望 | 第105-108页 |
| 7.1 总结 | 第105-106页 |
| 7.2 未来工作展望 | 第106-108页 |
| 参考文献 | 第108-117页 |
| 致谢 | 第117-118页 |
| 攻读博士期间发表/录用论文目录 | 第118页 |
