| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| ·课题研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·微博关键词提取 | 第10-11页 |
| ·微博用户影响力 | 第11-13页 |
| ·课题研究的主要内容 | 第13-14页 |
| ·论文结构 | 第14-15页 |
| 第二章 相关理论与技术 | 第15-25页 |
| ·云计算的相关介绍 | 第15-20页 |
| ·云计算的定义 | 第15-16页 |
| ·Hadoop 概述及集群高层体系结构 | 第16-17页 |
| ·Hadoop 文件系统（HDFS） | 第17-19页 |
| ·MapReduce 编程模型 | 第19-20页 |
| ·微博关键词提取 | 第20-21页 |
| ·TF-IDF 算法的基本概念 | 第20页 |
| ·TF-IDF 算法的基本原理 | 第20-21页 |
| ·微博用户 | 第21-22页 |
| ·僵尸粉的基本概念 | 第21-22页 |
| ·关键用户的基本概念 | 第22页 |
| ·微博用户影响力 | 第22-24页 |
| ·用户影响力的基本概念 | 第22-23页 |
| ·用户影响力的评价因素 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 旅游景点热度预测系统的需求分析与设计 | 第25-34页 |
| ·需求分析 | 第25页 |
| ·系统总体设计 | 第25-27页 |
| ·数据采集模块的设计 | 第27页 |
| ·提取关键用户模块的设计 | 第27-30页 |
| ·消除僵尸粉干扰的算法设计 | 第28页 |
| ·关键用户提取算法设计 | 第28-30页 |
| ·基于改进 TF-IDF 算法的高频旅游类关键词提取模块的设计 | 第30-31页 |
| ·关键用户行为影响力分析模块的设计 | 第31-32页 |
| ·好友联合影响概率的概念 | 第31页 |
| ·好友联合影响概率计算方法 | 第31-32页 |
| ·旅游信息传播趋势分析模块的设计 | 第32页 |
| ·本章小结 | 第32-34页 |
| 第四章 旅游景点热度预测系统的实现 | 第34-40页 |
| ·数据采集模块的实现 | 第34-35页 |
| ·提取关键用户模块的实现 | 第35页 |
| ·基于改进 TF-IDF 算法的高频旅游类关键词提取模块的实现 | 第35-37页 |
| ·关键用户行为影响力模块的实现 | 第37-38页 |
| ·旅游信息传播趋势分析模块的实现 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第五章 实验与分析 | 第40-54页 |
| ·实验环境 | 第40页 |
| ·数据采集及存储 | 第40-41页 |
| ·实验流程与结果分析 | 第41-50页 |
| ·获得关键用户 | 第41-42页 |
| ·获得高频旅游类关键词 | 第42-45页 |
| ·获得关键用户行为影响力 | 第45-49页 |
| ·预测旅游景点热度 | 第49-50页 |
| ·实验结果验证 | 第50-53页 |
| ·本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-57页 |
| ·本文完成的主要研究工作 | 第54-55页 |
| ·不足之处及后期工作展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录 | 第61-62页 |
| 详细摘要 | 第62-64页 |