| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 社交网络节点影响力研究现状 | 第11-12页 |
| 1.2.2 推荐技术研究现状 | 第12-13页 |
| 1.2.3 主题提取研究现状 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 第2章 相关理论与研究方法 | 第18-28页 |
| 2.1 社交网络节点影响力评估 | 第18-20页 |
| 2.1.1 社会网络分析理论 | 第18-19页 |
| 2.1.2 节点影响力评估方法 | 第19-20页 |
| 2.2 推荐系统的主要方法 | 第20-24页 |
| 2.2.1 基于内容的推荐算法 | 第20-21页 |
| 2.2.2 基于协同过滤的推荐算法 | 第21-23页 |
| 2.2.3 基于社交网络的推荐算法 | 第23-24页 |
| 2.3 主题概率模型主要方法 | 第24-27页 |
| 2.3.1 基本LDA模型概述 | 第24-25页 |
| 2.3.2 SMLDA模型概述 | 第25-26页 |
| 2.3.3 Labeled-LDA模型概述 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于社交网络节点影响力的推荐方法 | 第28-50页 |
| 3.1 基于社交网络节点影响力的推荐方法结构 | 第28-29页 |
| 3.2 可行性分析 | 第29-30页 |
| 3.3 基于MBUI-Rank算法的影响力用户挖掘 | 第30-37页 |
| 3.3.1 矩阵计算 | 第30-31页 |
| 3.3.2 基于MBUI-Rank的算法改进 | 第31-37页 |
| 3.4 基于SMLDA模型的微博主题建模 | 第37-41页 |
| 3.4.1 微博博文分析与数据预处理 | 第37页 |
| 3.4.2 基于SMLDA主题模型的优化 | 第37-41页 |
| 3.5 基于Labeled-LDA模型的微博用户兴趣提取 | 第41-43页 |
| 3.5.1 微博用户数据分析与数据预处理 | 第41-42页 |
| 3.5.2 基于Labeled-LDA用户兴趣建模 | 第42-43页 |
| 3.6 基于社交网络节点影响力的推荐 | 第43-48页 |
| 3.6.1 相似度计算 | 第43-45页 |
| 3.6.2 基于社交网络节点影响力的推荐算法 | 第45-48页 |
| 3.7 本章小结 | 第48-50页 |
| 第4章 实验及结果分析 | 第50-64页 |
| 4.1 实验准备 | 第50-51页 |
| 4.1.1 实验环境 | 第50页 |
| 4.1.2 实验数据集 | 第50-51页 |
| 4.2 实现流程及评测标准 | 第51-53页 |
| 4.2.1 实现流程 | 第51页 |
| 4.2.2 评测标准 | 第51-53页 |
| 4.3 数据处理与实验分析 | 第53-62页 |
| 4.3.1 用户影响力实验分析 | 第53-56页 |
| 4.3.2 微博主题模型实验分析 | 第56-58页 |
| 4.3.3 推荐效果实验分析 | 第58-62页 |
| 4.4 本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72页 |
