| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.4 本文的研究框架 | 第16-17页 |
| 第2章 相关理论和工作 | 第17-28页 |
| 2.1 微博数据获取方法 | 第17-18页 |
| 2.1.1 微博开放平台 | 第17页 |
| 2.1.2 网络爬虫 | 第17-18页 |
| 2.2 微博特征分析 | 第18-23页 |
| 2.2.1 微博用户行为分析 | 第18-19页 |
| 2.2.2 微博信息传播分析 | 第19-21页 |
| 2.2.3 微博用户属性分析 | 第21-23页 |
| 2.3 用户影响力分析 | 第23-26页 |
| 2.3.1 用户影响力定义 | 第23-24页 |
| 2.3.2 僵尸粉分析 | 第24-25页 |
| 2.3.3 用户影响力分析方法 | 第25-26页 |
| 2.4 斯皮尔曼相关系数 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于PageRank的微博用户排名算法 | 第28-41页 |
| 3.1 PageRank算法 | 第28-31页 |
| 3.1.1 算法背景 | 第28页 |
| 3.1.2 算法思想 | 第28-30页 |
| 3.1.3 算法优缺点 | 第30-31页 |
| 3.2 基于Influence-Rank的用户排名算法 | 第31-34页 |
| 3.2.1 算法背景 | 第31页 |
| 3.2.2 算法思想 | 第31-33页 |
| 3.2.3 算法的优缺点 | 第33-34页 |
| 3.3 改进的PageRank算法——HQRank | 第34-40页 |
| 3.3.1 粉丝影响力 | 第34-36页 |
| 3.3.2 微博影响力 | 第36-37页 |
| 3.3.3 HQRank算法思想 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于Hadoop的HQRank算法实现 | 第41-55页 |
| 4.1 分布式系统架构Hadoop | 第41-44页 |
| 4.1.1 Hadoop介绍 | 第41-42页 |
| 4.1.2 Hadoop组件介绍 | 第42-44页 |
| 4.2 前期数据准备 | 第44-48页 |
| 4.2.1 粉丝影响力实现 | 第44-47页 |
| 4.2.2 微博影响力实现 | 第47-48页 |
| 4.3 算法实现 | 第48-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 HQRank算法实验验证 | 第55-71页 |
| 5.1 数据采集 | 第55-56页 |
| 5.2 数据与环境准备 | 第56-60页 |
| 5.2.1 数据类型 | 第56-58页 |
| 5.2.2 数据描述 | 第58-60页 |
| 5.2.3 实验环境 | 第60页 |
| 5.3 实验过程 | 第60-65页 |
| 5.3.1 粉丝影响力值计算 | 第60-61页 |
| 5.3.2 微博影响力值计算 | 第61-63页 |
| 5.3.3 用户影响力值计算 | 第63-65页 |
| 5.4 实验结果分析 | 第65-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第6章 总结和展望 | 第71-73页 |
| 6.1 研究总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 在校期间发表的学术论文研究成果 | 第78页 |