社交网用户行为关系概率推演模型的研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 项目研究背景与意义 | 第10-12页 |
| 1.2 相关研究现状 | 第12-14页 |
| 1.3 本文的主要内容 | 第14-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 相关研究工作与技术 | 第18-26页 |
| 2.1 Twitter平台的用户关系 | 第18-20页 |
| 2.1.1 社交网络结构 | 第18-19页 |
| 2.1.2 Twitter平台的用户关系的形成 | 第19-20页 |
| 2.2 相关技术 | 第20-22页 |
| 2.2.1 概率数据处理 | 第20-21页 |
| 2.2.2 位置推断算法 | 第21-22页 |
| 2.3 其他相关技术 | 第22-25页 |
| 2.3.1 相似性度量 | 第22-23页 |
| 2.3.2 常见聚类分析算法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 问题概述 | 第26-36页 |
| 3.1 问题背景介绍 | 第26-27页 |
| 3.2 基本概念 | 第27-28页 |
| 3.3 体系结构图 | 第28-29页 |
| 3.4 问题定义 | 第29-30页 |
| 3.5 活动库构建 | 第30-32页 |
| 3.6 数据集准备 | 第32-34页 |
| 3.6.1 实验环境 | 第32页 |
| 3.6.2 使用Twitter API | 第32-33页 |
| 3.6.3 数据集说明 | 第33-34页 |
| 3.7 本章小结 | 第34-36页 |
| 第4章 基于概率词条的活动相似性计算 | 第36-46页 |
| 4.1 tweets文本词条提取 | 第36-37页 |
| 4.2 基于概率词条的活动表示 | 第37-40页 |
| 4.2.1 活动词条的概率分配 | 第37-38页 |
| 4.2.2 用户活动的概率表示 | 第38-40页 |
| 4.3 基于概率词条的活动相似性计算 | 第40-45页 |
| 4.3.1 活动词条的直接相似概率 | 第40-44页 |
| 4.3.2 活动词条的间接相似概率 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 基于最大似然估计的位置推断 | 第46-56页 |
| 5.1 基于位置推断的概述 | 第46-47页 |
| 5.2 位置推断函数 | 第47-49页 |
| 5.3 最大似然估计 | 第49-52页 |
| 5.4 位置相似度 | 第52页 |
| 5.5 实验结果与分析 | 第52-55页 |
| 5.5.1 衡量指标 | 第52-53页 |
| 5.5.2 性能测试与分析 | 第53-55页 |
| 5.6 本章小结 | 第55-56页 |
| 第6章 用户行为关系推演及发现 | 第56-64页 |
| 6.1 用户行为关系推演 | 第56-57页 |
| 6.2 用户行为关系发现 | 第57-59页 |
| 6.3 实验结果与分析 | 第59-62页 |
| 6.3.1 评价标准 | 第59-60页 |
| 6.3.2 实验结果 | 第60-62页 |
| 6.4 本章小结 | 第62-64页 |
| 第7章 总结与展望 | 第64-66页 |
| 7.1 内容总结 | 第64-65页 |
| 7.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读硕士学位期间主要成果 | 第72页 |
