| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 社交网络概述及发展 | 第11-12页 |
| 1.1.1 社交网络的起源和发展 | 第11页 |
| 1.1.2 社交网络分析 | 第11-12页 |
| 1.2 虚拟身份关联 | 第12-17页 |
| 1.2.1 虚拟身份的研究背景和意义 | 第12-14页 |
| 1.2.2 虚拟身份关联的相关研究工作 | 第14-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-20页 |
| 第二章 相关技术研究 | 第20-29页 |
| 2.1 深度学习概述 | 第20-21页 |
| 2.1.1 深度学习的背景 | 第20页 |
| 2.1.2 深度学习的发展历程 | 第20-21页 |
| 2.2 深度学习网络 | 第21-27页 |
| 2.2.1 卷积神经网络(CNN) | 第21-24页 |
| 2.2.2 循环神经网络(RNN) | 第24-25页 |
| 2.2.3 长短时记忆循环神经网络(LSTM) | 第25-27页 |
| 2.3 虚拟身份关联技术 | 第27-28页 |
| 2.4 本章总结 | 第28-29页 |
| 第三章 语义词向量化模型 | 第29-42页 |
| 3.1 相关工具介绍 | 第29-31页 |
| 3.1.1 Word2Vec | 第29-30页 |
| 3.1.2 结巴分词工具 | 第30-31页 |
| 3.2 基于上下文的单词语义表示模型 | 第31-35页 |
| 3.2.1 CWSR模型 | 第31-33页 |
| 3.2.2 损失函数设计 | 第33-34页 |
| 3.2.3 模型训练 | 第34-35页 |
| 3.3 实验结果与分析 | 第35-40页 |
| 3.3.1 维基百科中文语料库 | 第35页 |
| 3.3.2 语义词向量表示模型的实验 | 第35-38页 |
| 3.3.3 中文词语义向量化的有效性验证 | 第38-40页 |
| 3.4 本章总结 | 第40-42页 |
| 第四章 基于深度学习的虚拟身份关联模型 | 第42-55页 |
| 4.1 基于深度学习的虚拟身份关联模型 | 第42-43页 |
| 4.2 用户个人信息的向量化表示 | 第43-44页 |
| 4.3 博文语义向量化表示模型 | 第44-50页 |
| 4.3.1 基于池化计算的博文向量表示模型 | 第44-47页 |
| 4.3.2 基于长短时记忆循环神经网络的博文表示模型 | 第47-50页 |
| 4.4 实验结果与分析 | 第50-54页 |
| 4.4.1 实验数据 | 第50-51页 |
| 4.4.2 数据预处理 | 第51-52页 |
| 4.4.3 实验环境 | 第52页 |
| 4.4.4 模型有效性验证 | 第52-54页 |
| 4.5 本章总结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 工作总结 | 第55-56页 |
| 5.2 工作展望 | 第56-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 作者在学期间取得的学术成果 | 第63页 |