| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 课题研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 大数据研究及应用 | 第8-9页 |
| 1.2.2 基于人类行为数据的特征研究 | 第9-10页 |
| 1.2.3 国内外在线电影点播的研究 | 第10页 |
| 1.3 研究的主要内容和结构安排 | 第10-13页 |
| 1.3.1 本文的研究内容 | 第10-11页 |
| 1.3.2 本文的结构安排 | 第11-13页 |
| 第2章 相关理论模型研究综述 | 第13-19页 |
| 2.1 重尾现象生成机制 | 第13-15页 |
| 2.1.1 经典任务队列理论 | 第13-14页 |
| 2.1.2 兴趣驱动理论 | 第14-15页 |
| 2.2 泊松分布 | 第15-16页 |
| 2.3 幂律分布 | 第16-17页 |
| 2.4 最小二乘法 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 电影评价数据中的用户特征分析 | 第19-40页 |
| 3.1 电影评价数据的基本特性研究 | 第19-28页 |
| 3.1.1 Movielens数据集介绍 | 第19-20页 |
| 3.1.2 电影的基本信息 | 第20-22页 |
| 3.1.3 用户的基本信息 | 第22-25页 |
| 3.1.4 用户的活跃度 | 第25-26页 |
| 3.1.5 电影的流行度 | 第26-28页 |
| 3.2 电影评价数据中积极评价用户特征分析 | 第28-31页 |
| 3.3 电影评价数据中不积极评价用户特征分析 | 第31-32页 |
| 3.4 电影评价次数随时间演化特征 | 第32-39页 |
| 3.4.1 演化特征 | 第32-36页 |
| 3.4.2 处于小高峰时期的用户活跃度 | 第36-37页 |
| 3.4.3 处于大高峰时期用户活跃度 | 第37-38页 |
| 3.4.4 处于非高峰时期用户活跃度 | 第38-39页 |
| 3.5 本章小节 | 第39-40页 |
| 第4章 热门和冷门电影评价数据中的用户特征分析 | 第40-56页 |
| 4.1 热门电影的用户特征分析 | 第40-47页 |
| 4.1.1 个体热门电影的选择与处理 | 第40页 |
| 4.1.2 热门电影评价数据中积极和不积极评价用户特征分析 | 第40-43页 |
| 4.1.3 热门电影评价次数随时间演化特征 | 第43-47页 |
| 4.2 冷门电影的用户特征分析 | 第47-54页 |
| 4.2.1 个体冷门电影选择与处理 | 第47-48页 |
| 4.2.2 冷门电影评价数据中积极和不积极评价用户特征分析 | 第48-50页 |
| 4.2.3 冷门电影评价次数随时间演化特征 | 第50-54页 |
| 4.3 本章小结 | 第54-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |