| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9页 |
| 1.2 微博概述 | 第9-11页 |
| 1.2.1 微博简介 | 第9-10页 |
| 1.2.2 微博发展历程 | 第10页 |
| 1.2.3 微博发展趋势 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 好友推荐系统研究现状 | 第11页 |
| 1.3.2 用户影响力评价研究现状 | 第11-12页 |
| 1.3.3 云计算研究现状 | 第12-13页 |
| 1.4 论文结构和内容 | 第13-14页 |
| 2 相关概念和技术介绍 | 第14-27页 |
| 2.1 云计算简介 | 第14-16页 |
| 2.2 Google云计算技术研究 | 第16-19页 |
| 2.2.1 GFS | 第16-17页 |
| 2.2.2 MapReduce | 第17-18页 |
| 2.2.3 Big Table | 第18-19页 |
| 2.3 Hadoop分布式技术 | 第19-22页 |
| 2.3.1 HDFS | 第20-21页 |
| 2.3.2 MapReduce | 第21-22页 |
| 2.3.3 HBase | 第22页 |
| 2.4 新浪微博数据集的获取 | 第22-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于HRank的微博用户影响力评价 | 第27-35页 |
| 3.1 微博用户影响力和H指数简介 | 第27页 |
| 3.2 HRank用户影响力模型 | 第27-29页 |
| 3.2.1 H指数在微博领域的重定义 | 第27-28页 |
| 3.2.2 HRank用户影响力模型的构建 | 第28-29页 |
| 3.3 用户影响力算法基于MapReduce的实现 | 第29-33页 |
| 3.3.1 PageRank算法基于MapReduce的实现 | 第29-31页 |
| 3.3.2 HRank算法基于MapReduce的实现 | 第31-33页 |
| 3.4 用户影响力模型对比实验结果及分析 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 基于三度影响力的好友推荐机制的研究 | 第35-41页 |
| 4.1 社交网络中的社会学理论 | 第35-36页 |
| 4.1.1 六度分割理论 | 第35-36页 |
| 4.1.2 三度影响力理论 | 第36页 |
| 4.2 社交网络建模 | 第36-38页 |
| 4.2.1 社交网络图的构建 | 第36-38页 |
| 4.3 改进的好友推荐算法 | 第38-39页 |
| 4.4 三度影响力好友推荐算法基于MapReduce的实现 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 5 基于Hadoop平台的好友推荐算法实验 | 第41-50页 |
| 5.1 分布式实验环境的搭建 | 第41-45页 |
| 5.2 数据集的分析和处理 | 第45-46页 |
| 5.3 微博好友推荐算法对比试验结果及分析 | 第46-48页 |
| 5.4 待推荐用户的影响力对微博用户推荐效果的影响探究 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读学位期间发表的学术论文 | 第54-55页 |
| 致谢 | 第55-56页 |
