基于机器学习的社交网络用户特征分析
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-15页 |
| 1.1 研究背景 | 第11页 |
| 1.2 选题意义 | 第11-12页 |
| 1.3 本论文的主要工作 | 第12-13页 |
| 1.4 本论文的组成结构 | 第13-15页 |
| 2 相关理论基础及国内外研究现状 | 第15-27页 |
| 2.1 复杂网络 | 第15-19页 |
| 2.1.1 小世界特性 | 第15-18页 |
| 2.1.2 无标度特性 | 第18-19页 |
| 2.2 社交网络分析 | 第19-21页 |
| 2.2.1 社交网络 | 第19页 |
| 2.2.2 社交网络研究的主要领域 | 第19-21页 |
| 2.3 社交网络研究现状 | 第21-23页 |
| 2.3.1 社交网络信息研究现状 | 第21-22页 |
| 2.3.2 社交网络用户研究现状 | 第22-23页 |
| 2.4 机器学习 | 第23-25页 |
| 2.4.1 机器学习概念 | 第23-24页 |
| 2.4.2 监督学习 | 第24-25页 |
| 2.4.3 无监督学习 | 第25页 |
| 2.5 聚类及谱聚类算法研究现状 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 社交网络整体特征及信息传播分析 | 第27-46页 |
| 3.1 社交网络整体特性及相关概念 | 第27-29页 |
| 3.2 社交网络信息及经典信息传播模型 | 第29-33页 |
| 3.2.1 微博信息特性 | 第29-31页 |
| 3.2.2 经典信息传播模型 | 第31-33页 |
| 3.3 信息传播动力学模型改进 | 第33-40页 |
| 3.3.1 微博平台简介 | 第34-35页 |
| 3.3.2 单信息传播模型改进分析 | 第35-37页 |
| 3.3.3 单信息传播模型改进 | 第37页 |
| 3.3.4 改进后的信息传播动力学SEIR模型 | 第37-39页 |
| 3.3.5 改进后SEIR模型参数计算 | 第39-40页 |
| 3.4 社交网络信息特性可视化分析 | 第40-45页 |
| 3.5 本章小结 | 第45-46页 |
| 4 微博平台用户特征分析 | 第46-57页 |
| 4.1 微博用户行为特征研究 | 第46-47页 |
| 4.2 微博用户行为动力学模型 | 第47-53页 |
| 4.2.1 任务队列模型 | 第47-48页 |
| 4.2.2 兴趣驱动模型 | 第48-49页 |
| 4.2.3 基于社会交互的模型 | 第49-50页 |
| 4.2.4 兴趣驱动的用户交互模型 | 第50-53页 |
| 4.3 用户微博文本特征 | 第53-54页 |
| 4.3.1 词向量 | 第54页 |
| 4.3.2 词向量的训练 | 第54页 |
| 4.4 微博用户关系特征 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5. 基于相似性的用户谱聚类分析 | 第57-70页 |
| 5.1 谱聚类 | 第57-59页 |
| 5.2 微博实证研究数据采集和预处理 | 第59-60页 |
| 5.3 用户相似矩阵构造 | 第60-63页 |
| 5.3.1 微博用户文本LDA主题生成 | 第60-62页 |
| 5.3.2 相似性度量 | 第62-63页 |
| 5.4 基于相似度矩阵的谱聚类实现 | 第63-67页 |
| 5.5 用户谱聚类效果分析 | 第67-68页 |
| 5.6 谱聚类意义探讨 | 第68-69页 |
| 5.7 本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 索引 | 第75-77页 |
| 作者简历 | 第77-79页 |
| 学位论文数据集 | 第79页 |
