基于数据挖掘的微博用户兴趣群体发现与分类--以新浪微博为例
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.1.1 数据挖掘技术背景 | 第11页 |
| 1.1.2 微型博客背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文研究目标与内容 | 第13-14页 |
| 1.3.1 本文研究目标 | 第13-14页 |
| 1.3.2 本文研究内容 | 第14页 |
| 1.4 本文的创新点 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 数据挖掘技术概述 | 第16-22页 |
| 2.1 数据挖掘技术 | 第16-18页 |
| 2.1.1 数据挖掘的背景与概念 | 第16-17页 |
| 2.1.2 数据挖掘的过程 | 第17-18页 |
| 2.2 数据挖掘的方法 | 第18-19页 |
| 2.3 聚类分析 | 第19-21页 |
| 2.3.1 聚类分析的概念 | 第19页 |
| 2.3.2 聚类分析的方法 | 第19-20页 |
| 2.3.3 聚类分析的步骤 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 微博用户兴趣群体分类模型构建与实现 | 第22-35页 |
| 3.1 微博相关知识 | 第22-24页 |
| 3.1.1 微博的定义 | 第22-23页 |
| 3.1.2 微博用户特点——以新浪微博为例 | 第23-24页 |
| 3.2 微博用户兴趣群发现与分类模型 | 第24-25页 |
| 3.3 微博用户数据标准化 | 第25-31页 |
| 3.3.1 聚类分析的数据类型 | 第25-26页 |
| 3.3.2 聚类分析的相似度度量 | 第26-31页 |
| 3.4 基于数据挖掘的微博用户兴趣发现的实现 | 第31-34页 |
| 3.4.1 样本数据特点与聚类算法选择 | 第31-33页 |
| 3.4.2 SPSS实现过程 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 实证分析—以新浪微博为例 | 第35-58页 |
| 4.1 聚类分析数据样本 | 第35-40页 |
| 4.1.1 样本获取 | 第35-37页 |
| 4.1.2 样本数据可行性分析 | 第37-39页 |
| 4.1.3 数据筛选 | 第39页 |
| 4.1.4 相关性检验 | 第39-40页 |
| 4.2 聚类分析 | 第40-53页 |
| 4.2.1 K-means快速聚类 | 第40-44页 |
| 4.2.2 系统聚类 | 第44-51页 |
| 4.2.3 两种聚类分析结果对比 | 第51-53页 |
| 4.3 实证分析结论 | 第53-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 总结 | 第58-60页 |
| 5.1 论文总结 | 第58页 |
| 5.2 不足与展望 | 第58-59页 |
| 5.3 本章小结 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |
