网络用户偏好分析及话题趋势预测方法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-8页 |
| ABSTRACT | 第8-11页 |
| 目录 | 第11-14页 |
| 1 引言 | 第14-36页 |
| ·研究背景和意义 | 第14-17页 |
| ·研究背景 | 第14-16页 |
| ·研究意义 | 第16-17页 |
| ·主要研究方法和研究现状 | 第17-32页 |
| ·网络用户行为模式研究 | 第17-25页 |
| ·互联网话题发展趋势的预测方法 | 第25-26页 |
| ·互联网信息的检索方法 | 第26-32页 |
| ·主要研究内容和创新点 | 第32-34页 |
| ·论文的总体结构 | 第34-36页 |
| 2 互联网用户行为统计特性分析 | 第36-56页 |
| ·微博数据结构分析 | 第36-39页 |
| ·微博数据获取流程 | 第36-37页 |
| ·微博话题提取方法 | 第37-39页 |
| ·用户关系特性分析 | 第39-41页 |
| ·用户好友关系特性 | 第40页 |
| ·用户关注者关系特性 | 第40-41页 |
| ·用户状态以及回复特性分析 | 第41-49页 |
| ·用户发表状态的统计特性 | 第41-46页 |
| ·状态内容的统计特性 | 第46-49页 |
| ·用户时间特性分析 | 第49-53页 |
| ·状态发表时间的统计分析 | 第49-50页 |
| ·状态发表时间相关性分析 | 第50-51页 |
| ·回复发表时间相关性分析 | 第51页 |
| ·话题的时间相关性分析 | 第51-53页 |
| ·本章小结 | 第53-56页 |
| 3 网络用户偏好分析 | 第56-74页 |
| ·用户偏好的定义 | 第56-57页 |
| ·用户偏好的分析 | 第57-64页 |
| ·用户相似度 | 第57-62页 |
| ·状态相似度 | 第62-64页 |
| ·用户偏好的判定 | 第64-67页 |
| ·新话题的偏好判定 | 第64-65页 |
| ·新状态的偏好判定 | 第65-66页 |
| ·新用户的偏好判定 | 第66-67页 |
| ·算法有效性验证 | 第67-73页 |
| ·用户偏好的判定结果 | 第68-72页 |
| ·状态偏好的判定结果 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 4 网络信息推荐机制的研究 | 第74-92页 |
| ·互联网信息推荐算法现状及其存在的问题 | 第74-77页 |
| ·协同过滤算法简介 | 第74-75页 |
| ·协同过滤算法存在的问题 | 第75-77页 |
| ·基于对象固有属性相似度的协同过滤算法 | 第77-86页 |
| ·协同过滤算法的改进 | 第77-79页 |
| ·算法有效性验证 | 第79-82页 |
| ·实验结果 | 第82-86页 |
| ·基于用户偏好的微博推荐算法 | 第86-89页 |
| ·算法描述 | 第86-87页 |
| ·实验结果 | 第87-89页 |
| ·本章小结 | 第89-92页 |
| 5 互联网话题趋势预测方法研究 | 第92-110页 |
| ·基于时间序列的趋势预测 | 第92-102页 |
| ·ARIMA模型 | 第93-96页 |
| ·ARIMA模型预测新闻话题 | 第96-99页 |
| ·ARIMA模型预测微博话题 | 第99-102页 |
| ·基于用户偏好的预测方法 | 第102-108页 |
| ·基于用户偏好的时间序列生成方法 | 第102-103页 |
| ·基于用户偏好的改进方法预测微博话题 | 第103-108页 |
| ·本章小结 | 第108-110页 |
| 6 结论 | 第110-114页 |
| ·论文总结 | 第110-112页 |
| ·研究工作展望 | 第112-114页 |
| 参考文献 | 第114-124页 |
| 作者简历 | 第124-128页 |
| 学位论文数据集 | 第128页 |
