社交网络中信息传播模式及话题趋势预测研究
| 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 绪论 | 第14-34页 |
| ·研究背景与选题意义 | 第14-17页 |
| ·研究背景 | 第14-15页 |
| ·选题意义 | 第15-17页 |
| ·主要研究方法 | 第17-22页 |
| ·基本建模方法 | 第17-19页 |
| ·常用数理方法 | 第19-22页 |
| ·相关方向国内外研究现状 | 第22-31页 |
| ·复杂网络传播动力学研究 | 第22-27页 |
| ·社会网络强弱关系理论 | 第27-28页 |
| ·社交网络节点影响力分析 | 第28-30页 |
| ·话题发现以及趋势预测研究 | 第30-31页 |
| ·论文的主要研究内容和创新点 | 第31-33页 |
| ·论文的结构 | 第33-34页 |
| 2 社交网络信息传播过程建模 | 第34-54页 |
| ·引言 | 第34-35页 |
| ·模型 | 第35-40页 |
| ·社交网络信息传播机制分析 | 第35-37页 |
| ·信息传播模型 | 第37-40页 |
| ·数值仿真和分析 | 第40-53页 |
| ·仿真数据集分析 | 第40-41页 |
| ·信息传播过程 | 第41-42页 |
| ·弱关系对传播过程的影响 | 第42-48页 |
| ·免疫概率和衰减概率对传播过程的影响 | 第48-52页 |
| ·不同度值节点对信息传播的影响 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 3 基于社会记忆性和优先选择性的信息传播模型 | 第54-70页 |
| ·引言 | 第54-55页 |
| ·模型 | 第55-58页 |
| ·信息传播模型 | 第55页 |
| ·信息传播机制分析 | 第55-57页 |
| ·模型分析 | 第57-58页 |
| ·数据集 | 第58-61页 |
| ·仿真结果与分析 | 第61-67页 |
| ·信息传播过程 | 第61-62页 |
| ·社会加强因子对信息传播过程的影响 | 第62-64页 |
| ·社会加强因子对S_(max)的影响 | 第64-65页 |
| ·社会加强因子对记忆效应因子的影响 | 第65-67页 |
| ·本章小结 | 第67-70页 |
| 4 社交网络节点中心性分析与影响力度量 | 第70-94页 |
| ·引言 | 第70-71页 |
| ·数据集 | 第71-72页 |
| ·社交网络节点中心性统计特征分析 | 第72-82页 |
| ·节点度 | 第72-73页 |
| ·紧密度 | 第73-74页 |
| ·介数 | 第74-75页 |
| ·k核数 | 第75-77页 |
| ·相关性分析 | 第77-82页 |
| ·社交网络节点影响力度量指标 | 第82-84页 |
| ·实验结果及分析 | 第84-92页 |
| ·LW指标排序结果 | 第85-86页 |
| ·LW与度、紧密度和介数性能比较 | 第86-91页 |
| ·LW与k核数比较 | 第91-92页 |
| ·本章小结 | 第92-94页 |
| 5 社交网络话题发展趋势预测方法研究 | 第94-116页 |
| ·引言 | 第94-95页 |
| ·热点话题发现 | 第95-98页 |
| ·基于BPNN的网络话题发展趋势预测算法 | 第98-109页 |
| ·数据集 | 第98-99页 |
| ·BPNN学习过程 | 第99-102页 |
| ·预测模型 | 第102-104页 |
| ·嵌入维数的选取 | 第104-105页 |
| ·学习率和动量项参数的选取 | 第105-107页 |
| ·隐藏层节点个数选取 | 第107-108页 |
| ·算法性能比较 | 第108-109页 |
| ·模型改进 | 第109-113页 |
| ·时间序列分析及处理 | 第109-111页 |
| ·BPNN结构优化 | 第111-112页 |
| ·学习率自适应调整 | 第112页 |
| ·算法性能比较 | 第112-113页 |
| ·自适应社交网络话题发展趋势预测算法 | 第113-114页 |
| ·本章小结 | 第114-116页 |
| 6 总结与展望 | 第116-122页 |
| ·论文的工作总结 | 第116-118页 |
| ·研究展望 | 第118-122页 |
| 参考文献 | 第122-132页 |
| 作者简历 | 第132-136页 |
| 学位论文数据集 | 第136页 |
