基于信任和相似标签的链接预测算法
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| 第一节 选题背景和意义 | 第9-11页 |
| 第二节 研究现状 | 第11-12页 |
| 第三节 本文主要研究内容 | 第12-13页 |
| 第四节 本文组织结构 | 第13-14页 |
| 第二章 相关理论和技术 | 第14-27页 |
| 第一节 在线社交网络的特点 | 第14页 |
| 第二节 社交网络的数据表示 | 第14-16页 |
| 第三节 链接预测的定义 | 第16页 |
| 第四节 链接预测相关技术 | 第16-25页 |
| 一、 基于相似性的链接预测 | 第17-21页 |
| 二、 基于信任计算的链接预测 | 第21-25页 |
| 第五节 链接预测存在的问题与挑战 | 第25-26页 |
| 第六节 本章小结 | 第26-27页 |
| 第三章 基于信任和相似标签链接预测算法的设计 | 第27-33页 |
| 第一节 问题提出 | 第27-28页 |
| 第二节 信任度计算方法 | 第28-29页 |
| 第三节 相似度计算方法 | 第29-31页 |
| 第四节 算法过程 | 第31-32页 |
| 第五节 本章小结 | 第32-33页 |
| 第四章 实验和结果分析 | 第33-47页 |
| 第一节 实验平台 | 第33页 |
| 第二节 实验评价标准 | 第33-34页 |
| 第三节 获取数据 | 第34-38页 |
| 一、 数据结构的定义 | 第34-35页 |
| 二、 爬虫设计 | 第35-36页 |
| 三、 数据的存储 | 第36-38页 |
| 第四节 数据过滤 | 第38-39页 |
| 一、 加 V 用户的过滤 | 第38-39页 |
| 二、 僵尸用户的过滤 | 第39页 |
| 第五节 微博数据建模 | 第39-41页 |
| 一、 网络图节点 | 第40页 |
| 二、 含权链接 | 第40页 |
| 三、 节点分类 | 第40-41页 |
| 第六节 实验结果及分析 | 第41-46页 |
| 一、 与共同邻居算法的比较 | 第42-43页 |
| 二、 与 TidalTrust 算法比较 | 第43-46页 |
| 第七节 本章小结 | 第46-47页 |
| 第五章 总结及展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 在学期间发表的研究成果 | 第54页 |
