信息扩散最大化问题的新优化算法
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 信息扩散最大化问题的国内外研究现状 | 第13-15页 |
| 1.3 研究内容及主要工作 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 信息扩散最大化理论基础 | 第18-26页 |
| 2.1 社交网络 | 第18-20页 |
| 2.1.1 定义 | 第18页 |
| 2.1.2 性质 | 第18-20页 |
| 2.2 信息扩散最大化问题 | 第20-21页 |
| 2.2.1 定义 | 第20页 |
| 2.2.2 评价指标 | 第20-21页 |
| 2.3 信息扩散模型 | 第21-23页 |
| 2.3.1 独立级联模型 | 第21页 |
| 2.3.2 线性阈值模型 | 第21-22页 |
| 2.3.3 其它模型 | 第22-23页 |
| 2.4 经典信息扩散最大化算法 | 第23-25页 |
| 2.4.1 爬山贪心算法 | 第23-24页 |
| 2.4.2 CELF算法 | 第24-25页 |
| 2.4.3 GAT算法 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 用户偏好建模 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 基于内容的用户偏好建模 | 第26-29页 |
| 3.2.1 概述 | 第26页 |
| 3.2.2 TF-IDF | 第26-28页 |
| 3.2.3 向量空间模型 | 第28-29页 |
| 3.3 基于协同过滤的用户偏好建模 | 第29-36页 |
| 3.3.1 概述 | 第29-30页 |
| 3.3.2 构建用户评分矩阵 | 第30-33页 |
| 3.3.3 奇异值分解定理 | 第33-34页 |
| 3.3.4 基于奇异值分解的潜在语义分析 | 第34-36页 |
| 3.4 用户个人偏好计算 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于主题的信息扩散模型 | 第38-44页 |
| 4.1 引言 | 第38-39页 |
| 4.2 基于主题的独立级联模型 | 第39-41页 |
| 4.3 基于主题的线性阈值模型 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 信息扩散最大化的新优化算法 | 第44-50页 |
| 5.1 新型信息扩散最大化问题 | 第44-45页 |
| 5.1.1 定义 | 第44页 |
| 5.1.2 评价指标 | 第44-45页 |
| 5.2 信息扩散最大化的新优化算法 | 第45-49页 |
| 5.2.1 设计思路 | 第45-46页 |
| 5.2.2 NOA算法 | 第46-49页 |
| 5.3 本章小结 | 第49-50页 |
| 第六章 实验与结果分析 | 第50-67页 |
| 6.1 数据集与实验环境 | 第50-53页 |
| 6.1.1 数据集采集与存储 | 第50-52页 |
| 6.1.2 实验环境 | 第52-53页 |
| 6.2 实验评价指标 | 第53页 |
| 6.3 实验方案与结果分析 | 第53-66页 |
| 6.3.1 NOA算法时间效率分析 | 第54-56页 |
| 6.3.2 扩散效果和扩散效率分析 | 第56-66页 |
| 6.4 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 附录1 源程序 | 第75-88页 |
| 攻读硕士学位期间取得的研究成果 | 第88-89页 |
| 致谢 | 第89-90页 |
| 附件 | 第90页 |
