基于微博的社交网络特征分析
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 研究目标及主要内容 | 第8-9页 |
| 1.3 研究对象特点 | 第9页 |
| 1.4 论文的组织结构 | 第9-11页 |
| 2 相关研究综述 | 第11-17页 |
| 2.1 本文主要技术简介 | 第11-12页 |
| 2.2 国内外微博研究现状 | 第12-17页 |
| 2.2.1 国外研究现状 | 第12-14页 |
| 2.2.2 国内研究现状 | 第14-17页 |
| 3 微博用户基本特征分析 | 第17-24页 |
| 3.1 数据描述 | 第17-18页 |
| 3.2 统计分析结果 | 第18-24页 |
| 3.2.1 用户性别分析 | 第18-19页 |
| 3.2.2 用户地理分布分析 | 第19-22页 |
| 3.2.3 用户教育程度分析 | 第22-24页 |
| 4 微博用户数值特征分析及构建影响力模型 | 第24-27页 |
| 4.1 微博数-人数分析 | 第24-25页 |
| 4.2 粉丝数-人数分析 | 第25页 |
| 4.3 关注数-人数分析 | 第25-26页 |
| 4.4 微博用户影响力模型 | 第26-27页 |
| 5 微博用户标签分类及聚类分析 | 第27-50页 |
| 5.1 用户标签分类 | 第27-29页 |
| 5.1.1 文本内容预处理 | 第27-29页 |
| 5.2 BP算法实现原理 | 第29-32页 |
| 5.3 用户聚类分析及实现 | 第32-50页 |
| 5.3.1 聚类分析的基本概念 | 第32-35页 |
| 5.3.2 聚类分析方法 | 第35-40页 |
| 5.3.3 聚类分析实现 | 第40-46页 |
| 5.3.4 改进的K-means聚类算法 | 第46-50页 |
| 6 结论与展望 | 第50-51页 |
| 6.1 文章总结 | 第50页 |
| 6.2 不足和展望 | 第50-51页 |
| 参考文献 | 第51-53页 |
| 致谢 | 第53-54页 |
| 在学期间发表论文 | 第54页 |
