| 提要 | 第5-6页 |
| 摘要 | 第6-9页 |
| abstract | 第9-12页 |
| 第1章 绪论 | 第16-22页 |
| 1.1 研究背景与研究意义 | 第16-18页 |
| 1.1.1 用户转发行为研究 | 第17页 |
| 1.1.2 社交圈自定义行为研究 | 第17-18页 |
| 1.1.3 垃圾用户行为研究 | 第18页 |
| 1.1.4 五大人格特质的用户行为研究 | 第18页 |
| 1.2 本文的研究内容 | 第18-20页 |
| 1.3 本文的组织结构 | 第20-22页 |
| 第2章 基于加权非负矩阵分解算法的用户转发行为研究 | 第22-40页 |
| 2.1 引言 | 第22-23页 |
| 2.2 国内外研究现状 | 第23-25页 |
| 2.3 动态转发行为预测特征建模 | 第25-29页 |
| 2.3.1 动态转发行为预测特征定义 | 第25-28页 |
| 2.3.2 动态转发行为预测特征权重分配 | 第28-29页 |
| 2.4 基于加权非负矩阵分解的用户转发行为预测模型 | 第29-32页 |
| 2.4.1 非负矩阵分解算法概述 | 第29页 |
| 2.4.2 问题定义 | 第29-30页 |
| 2.4.3 模型算法 | 第30-32页 |
| 2.4.4 时间复杂度分析 | 第32页 |
| 2.5 实验及结果分析 | 第32-38页 |
| 2.5.1 数据集及实验设置 | 第32-33页 |
| 2.5.2 WNMFRP与其他用户转发行为预测方法的比较 | 第33-36页 |
| 2.5.3 特征权重对WNMFRP性能的影响 | 第36-37页 |
| 2.5.4 时间信息对WNMFRP性能的影响 | 第37-38页 |
| 2.6 本章小结 | 第38-40页 |
| 第3章 基于改进的快速聚类算法的社交圈自定义行为研究 | 第40-58页 |
| 3.1 引言 | 第40-41页 |
| 3.2 国内外研究现状 | 第41-43页 |
| 3.3 基于改进的快速聚类算法的重叠社交圈发现方法 | 第43-48页 |
| 3.3.1 快速聚类算法概述 | 第43-44页 |
| 3.3.2 问题定义 | 第44页 |
| 3.3.3 社交圈发现特征定义 | 第44-45页 |
| 3.3.4 重叠社交圈发现算法 | 第45-48页 |
| 3.3.5 时间复杂度分析 | 第48页 |
| 3.4 实验及结果分析 | 第48-57页 |
| 3.4.1 数据集 | 第48-49页 |
| 3.4.2 评估方法 | 第49-50页 |
| 3.4.3 IFCAOSCD与其他社交圈发现算法的比较 | 第50-53页 |
| 3.4.4 不同参数对IFCAOSCD性能的影响 | 第53-54页 |
| 3.4.5 不同特征对IFCAOSCD性能的影响 | 第54-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第4章 基于改进人工免疫算法的垃圾用户行为研究 | 第58-80页 |
| 4.1 引言 | 第58-59页 |
| 4.2 国内外研究现状 | 第59-62页 |
| 4.3 动态行为模式建模 | 第62-64页 |
| 4.3.1 用户概要特征 | 第62页 |
| 4.3.2 用户关系特征 | 第62-63页 |
| 4.3.3 用户发布信息特征 | 第63-64页 |
| 4.4 基于改进人工免疫算法的垃圾用户识别模型 | 第64-72页 |
| 4.4.1 人工免疫算法概述 | 第64-65页 |
| 4.4.2 面向垃圾用户识别的人工免疫系统的构成表示 | 第65-66页 |
| 4.4.3 垃圾用户的识别 | 第66-71页 |
| 4.4.4 时间复杂度分析 | 第71-72页 |
| 4.5 实验及结果分析 | 第72-78页 |
| 4.5.1 数据集及实验设置 | 第72页 |
| 4.5.2 SIIAIA与其他垃圾用户识别方法的比较 | 第72-75页 |
| 4.5.3 不同特征对SIIAIA性能的影响 | 第75-77页 |
| 4.5.4 时间信息对SIIAIA性能的影响 | 第77-78页 |
| 4.6 本章小结 | 第78-80页 |
| 第5章 基于改进ML-KNN算法的五大人格特质的用户行为研究 | 第80-104页 |
| 5.1 引言 | 第80-81页 |
| 5.2 国内外研究现状 | 第81-83页 |
| 5.3 用户人格特质相关特征建模 | 第83-86页 |
| 5.3.1 用户人格特质识别特征定义 | 第83-85页 |
| 5.3.2 用户人格特质识别特征权重分配 | 第85-86页 |
| 5.4 基于改进ML-KNN算法的多维用户人格特质识别模型 | 第86-91页 |
| 5.4.1 ML-KNN算法概述 | 第86页 |
| 5.4.2 问题定义 | 第86-87页 |
| 5.4.3 模型算法 | 第87-90页 |
| 5.4.4 时间复杂度分析 | 第90-91页 |
| 5.5 实验及结果分析 | 第91-101页 |
| 5.5.1 数据集及实验设置 | 第91-92页 |
| 5.5.2 评估方法 | 第92-93页 |
| 5.5.3 用户人格特质间的相关性验证 | 第93-95页 |
| 5.5.4 IML-KNN-MPTR与其他用户人格特质识别方法的比较 | 第95-97页 |
| 5.5.5 特征权重对IML-KNN-MPTR性能的影响 | 第97-100页 |
| 5.5.6 动态人格特质阈值对IML-KNN-MPTR性能的影响 | 第100-101页 |
| 5.5.7 用户人格特质间的相关性对IML-KNN-MPTR性能的影响 | 第101页 |
| 5.6 本章小结 | 第101-104页 |
| 第6章 结论与展望 | 第104-108页 |
| 6.1 结论 | 第104-105页 |
| 6.2 展望 | 第105-108页 |
| 参考文献 | 第108-122页 |
| 作者简介及在学期间所取得的科研成果 | 第122-124页 |
| 致谢 | 第124页 |
