社交网用户行为预测模型研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究目的和意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 本文主要内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第2章 预备知识 | 第14-22页 |
| 2.1 相关概念 | 第14-18页 |
| 2.1.1 社交网络 | 第14-15页 |
| 2.1.2 信息传播 | 第15页 |
| 2.1.3 泊松过程 | 第15-17页 |
| 2.1.4 极大似然估计 | 第17-18页 |
| 2.2 影响力传播模型 | 第18-20页 |
| 2.2.1 独立级联模型 | 第18-19页 |
| 2.2.2 线性阈值模型 | 第19-20页 |
| 2.3 EM算法 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 基于多因素的用户行为预测模型 | 第22-36页 |
| 3.1 预备知识 | 第22-27页 |
| 3.1.1 事件序列 | 第22页 |
| 3.1.2 社会影响力 | 第22-24页 |
| 3.1.3 外部影响力 | 第24-25页 |
| 3.1.4 用户偏好 | 第25-27页 |
| 3.2 为事件序列建模 | 第27-32页 |
| 3.2.1 模型概述 | 第27-28页 |
| 3.2.2 社会影响力建模 | 第28-29页 |
| 3.2.3 外部影响力建模 | 第29-30页 |
| 3.2.4 用户偏好建模 | 第30-32页 |
| 3.3 基于组合的泊松过程模型C-PP | 第32-34页 |
| 3.3.1 组合的泊松过程模型 | 第32页 |
| 3.3.2 似然函数 | 第32-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 用户行为预测模型C-PP的估计算法 | 第36-48页 |
| 4.1 分类EM算法CEM | 第36-39页 |
| 4.1.1 CEM算法求解步骤 | 第36-38页 |
| 4.1.2 算法描述 | 第38-39页 |
| 4.1.3 算法实现的优化 | 第39页 |
| 4.2 实验 | 第39-47页 |
| 4.2.1 实验环境 | 第39-40页 |
| 4.2.2 数据集描述 | 第40-41页 |
| 4.2.3 解释性实验 | 第41-43页 |
| 4.2.4 预测性实验 | 第43-47页 |
| 4.3 本章小结 | 第47-48页 |
| 结论 | 第48-50页 |
| 参考文献 | 第50-58页 |
| 致谢 | 第58-60页 |
| 攻读硕士学位期间发表的学术论文及参加的科研项目 | 第60-62页 |
