| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 本文主要研究内容 | 第14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 2 基于MapReduce的微博推荐并行算法 | 第16-27页 |
| 2.1 微博推荐 | 第16-17页 |
| 2.1.1 常用推荐算法 | 第16-17页 |
| 2.1.2 问题提出 | 第17页 |
| 2.2 关联规则挖掘 | 第17-20页 |
| 2.2.1 关联规则 | 第17-18页 |
| 2.2.2 微博推荐中的关联规则 | 第18页 |
| 2.2.3 Apriori算法 | 第18-20页 |
| 2.3 基于MapReduce的Apriori微博推荐并行算法 | 第20-23页 |
| 2.3.1 MapReduce模型 | 第20-21页 |
| 2.3.2 Apriori算法与MapReduce结合的优势 | 第21页 |
| 2.3.3 微博推荐并行算法设计 | 第21-23页 |
| 2.4 实验结果与分析 | 第23-25页 |
| 2.5 本章小结 | 第25-27页 |
| 3 网络信息情感分析并行算法 | 第27-38页 |
| 3.1 情感分析 | 第27-28页 |
| 3.1.1 问题描述 | 第27页 |
| 3.1.2 情感分析的主要步骤 | 第27-28页 |
| 3.1.3 任务分析 | 第28页 |
| 3.2 基于MapReduce的情感分析并行算法 | 第28-35页 |
| 3.2.1 基于MapReduce的情感特征提取并行算法设计 | 第29页 |
| 3.2.2 基于MapReduce的特征向量加权并行算法设计 | 第29-32页 |
| 3.2.3 基于MapReduce的加权朴素贝叶斯并行算法设计 | 第32-35页 |
| 3.3 实验结果与分析 | 第35-37页 |
| 3.3.1 算法准确率实验 | 第35页 |
| 3.3.2 并行算法处理不同规模数据的时间和加速比实验 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于Agent的网络信息传播建模方法 | 第38-45页 |
| 4.1 相关基础 | 第38-41页 |
| 4.1.1 复杂系统 | 第38-39页 |
| 4.1.2 Agent | 第39页 |
| 4.1.3 基于Agent的建模 | 第39-40页 |
| 4.1.4 流行病SIR模型 | 第40-41页 |
| 4.2 基于Agent的网络信息传播模型 | 第41-42页 |
| 4.3 模型参数推断 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 5 总结与展望 | 第45-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52-53页 |
| 攻读学位期间发表的论文 | 第53-54页 |
| 附录一 表目录 | 第54-55页 |
| 附录二 图目录 | 第55-56页 |
