| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-20页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 相关研究现状综述 | 第12-18页 |
| 1.2.1 复杂网络相关研究现状 | 第12-13页 |
| 1.2.2 在线社交网络研究现状 | 第13-15页 |
| 1.2.3 微博用户分类检测研究现状 | 第15-17页 |
| 1.2.4 微博数据采集研究现状 | 第17-18页 |
| 1.3 本文所研究内容 | 第18页 |
| 1.4 论文的组织结构 | 第18-20页 |
| 2 在线社交网络理论基础 | 第20-27页 |
| 2.1 复杂网络 | 第20-21页 |
| 2.1.1 复杂网络理论基础 | 第20-21页 |
| 2.1.2 复杂网络特征 | 第21页 |
| 2.2 社交网络 | 第21-24页 |
| 2.2.1 社交网络 | 第21-22页 |
| 2.2.2 社交网络节点分析 | 第22-23页 |
| 2.2.3 在线社交网络用户分类 | 第23-24页 |
| 2.3 微博 | 第24-26页 |
| 2.3.1 微博的特征 | 第24-25页 |
| 2.3.2 微博用户分析 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 数据采集 | 第27-35页 |
| 3.1 获取用户集 | 第27-29页 |
| 3.2 获取用户及微博数据 | 第29-34页 |
| 3.2.1 OAUTH用户身份认证 | 第29-30页 |
| 3.2.2 微博API调用 | 第30-32页 |
| 3.2.3 多方法组合的数据提取方案 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 4 数据处理 | 第35-47页 |
| 4.1 特征生成 | 第35-36页 |
| 4.2 特征提取 | 第36-41页 |
| 4.2.1 用户关系特征 | 第36-38页 |
| 4.2.2 用户行为特征 | 第38-39页 |
| 4.2.3 微博内容特征 | 第39-41页 |
| 4.3 基于CDF图的特征分析 | 第41-46页 |
| 4.3.1 用户关系特征分析 | 第41-42页 |
| 4.3.2 用户行为特征分析 | 第42-43页 |
| 4.3.3 微博内容特征分析 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 最优分类模型 | 第47-66页 |
| 5.1 SVM验证特征组合有效性 | 第47-51页 |
| 5.1.1 支持向量机分类器设计 | 第47-49页 |
| 5.1.2 评估标准及分类结果 | 第49-51页 |
| 5.2 用户分类检测的传统算法 | 第51-57页 |
| 5.2.1 BP神经网络分类器及分类结果 | 第52-54页 |
| 5.2.2 决策树分类器及分类结果 | 第54-57页 |
| 5.3 随机森林分类算法 | 第57-61页 |
| 5.3.1 随机森林分类原理 | 第58页 |
| 5.3.2 随机森林分类器及分类结果 | 第58-61页 |
| 5.4 最优分类模型SBS-Random Forest | 第61-65页 |
| 5.4.1 最优特征组合 | 第61-63页 |
| 5.4.2 最优分类模型建立及验证 | 第63-65页 |
| 5.5 本章小结 | 第65-66页 |
| 6 总结与展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间的研究成果 | 第74页 |