| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.1.1 物联网 | 第9页 |
| 1.1.2 EPC网络 | 第9-10页 |
| 1.1.3 病毒营销 | 第10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 国内外研究进展 | 第10-11页 |
| 1.2.2 现有研究存在的问题 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.3.1 研究目标 | 第12页 |
| 1.3.2 研究内容 | 第12-13页 |
| 1.3.3 创新点 | 第13页 |
| 1.4 论文框架 | 第13-14页 |
| 第二章 基于EPC网络的社会影响力最大化技术分析 | 第14-33页 |
| 2.1 EPC网络的整体架构 | 第14-18页 |
| 2.1.1 EPC Object Name Service（对象名称服务） | 第14-15页 |
| 2.1.2 EPC Discovery Service（发现服务） | 第15页 |
| 2.1.3 EPC-IS（信息服务） | 第15-16页 |
| 2.1.4 EPC-IS（信息服务）定义的数据类型 | 第16-17页 |
| 2.1.5 EPC Network发展现状 | 第17-18页 |
| 2.2 社会影响力最大化问题 | 第18-26页 |
| 2.2.1 社会影响力最大化问题的介绍 | 第18-19页 |
| 2.2.2 传播模型 | 第19-21页 |
| 2.2.3 概率的计算 | 第21-24页 |
| 2.2.4 寻找种子节点 | 第24-26页 |
| 2.3 现有研究存在的问题 | 第26-28页 |
| 2.3.1 基于EPC网络的研究遇到的问题 | 第26-27页 |
| 2.3.2 社会影响力最大化问题的研究遇到的问题 | 第27-28页 |
| 2.4 本文的技术路线 | 第28-31页 |
| 2.4.1 从EPC查询事件识别用户之间的关系 | 第29-30页 |
| 2.4.2 集成社交网络信息完善模型 | 第30页 |
| 2.4.3 从EPC网络事件学习概率 | 第30页 |
| 2.4.4 以商店为单位的社会影响力分析 | 第30-31页 |
| 2.5 相关技术介绍 | 第31-32页 |
| 2.5.1 聚类算法 | 第31页 |
| 2.5.2 MIA模型 | 第31页 |
| 2.5.3 Web API | 第31-32页 |
| 2.5.4 Android | 第32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于EPC网络的社会影响力最大化的研究与设计 | 第33-59页 |
| 3.1 基于EPC网络的社会影响力最大化问题架构 | 第33-34页 |
| 3.2 从EPC查询事件识别用户之间的关系 | 第34-45页 |
| 3.2.1 基本聚类方法概述 | 第37-38页 |
| 3.2.2 查询地点的聚类 | 第38-41页 |
| 3.2.3 识别消费者群组 | 第41-45页 |
| 3.3 集成社交网络信息完善模型 | 第45-49页 |
| 3.4 从EPC网络事件学习概率 | 第49-52页 |
| 3.5 以商店为单位的社会影响力分析 | 第52-57页 |
| 3.6 本章小结 | 第57-59页 |
| 第四章 基于EPC网络的社会影响力最大化的实现 | 第59-79页 |
| 4.1 实验验证 | 第59-66页 |
| 4.1.1 签到地点聚类实验结果 | 第60-64页 |
| 4.1.2 识别消费者群组实验结果 | 第64-66页 |
| 4.2 社会影响力最大化模型框架 | 第66-68页 |
| 4.3 社会影响力最大化模型实现 | 第68-78页 |
| 4.3.1 聚类引擎实现 | 第68-70页 |
| 4.3.2 影响力模型实现 | 第70-71页 |
| 4.3.3 Android APP实现 | 第71-78页 |
| 4.4 本章小结 | 第78-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 本文总结 | 第79页 |
| 5.2 未来研究展望 | 第79-81页 |
| 参考文献 | 第81-83页 |
| 研究生阶段所参与科研项目(附录) | 第83-84页 |
| 致谢 | 第84-85页 |
| 攻读硕士学位期间已发表或录用的论文 | 第85-86页 |
| 附件 | 第86-88页 |
