| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-13页 |
| 1.2 研究挑战 | 第13-15页 |
| 1.3 主要研究内容与创新点 | 第15-17页 |
| 1.4 章节安排 | 第17-18页 |
| 第2章 心理压力感知研究现状与相关工作 | 第18-29页 |
| 2.1 传统心理学领域的压力检测方法 | 第18-20页 |
| 2.1.1 心理访谈法 | 第18-19页 |
| 2.1.2 心理量表法 | 第19-20页 |
| 2.2 基于心理生理学（Psychophysiology）的压力分析 | 第20-23页 |
| 2.2.1 生理信号 | 第20-22页 |
| 2.2.2 用户外在身体信号 | 第22-23页 |
| 2.3 基于社交网络的情感分析 | 第23-24页 |
| 2.4 基于社交网络的用户心理压力检测 | 第24-26页 |
| 2.4.1 微博平台的心理压力检测 | 第24-25页 |
| 2.4.2 微博平台的心理压力分析、预测 | 第25-26页 |
| 2.4.3 微博平台下的心理压力相关应用 | 第26页 |
| 2.5 不同心理压力检测方法的对比 | 第26-28页 |
| 2.6 小结 | 第28-29页 |
| 第3章 融合微博交互信息的青少年心理压力检测 | 第29-59页 |
| 3.1 引言 | 第29-32页 |
| 3.1.1 背景知识与研究动机 | 第29-30页 |
| 3.1.2 研究挑战与本章贡献 | 第30-32页 |
| 3.2 问题定义与解决框架 | 第32-33页 |
| 3.2.1 问题定义 | 第32-33页 |
| 3.2.2 解决框架 | 第33页 |
| 3.3 微博特征空间 | 第33-43页 |
| 3.3.1 发文行为特征FP | 第33-35页 |
| 3.3.2 类别敏感的微博正文内容特征FW | 第35-39页 |
| 3.3.3 用户与朋友的交互行为特征FI | 第39-41页 |
| 3.3.4 用户-朋友之间的评论-回复特征FC | 第41-43页 |
| 3.3.5 微博压力特征矩阵以及检测模型 | 第43页 |
| 3.4 青少年心理压力检测平台展示 | 第43-46页 |
| 3.4.1 压力感知查询 | 第43-44页 |
| 3.4.2 压力感知后台处理 | 第44页 |
| 3.4.3 感知结果展示 | 第44-46页 |
| 3.5 实验验证 | 第46-57页 |
| 3.5.1 数据准备 | 第46-48页 |
| 3.5.2 衡量指标 | 第48-49页 |
| 3.5.3 微博级别压力检测性能验证 | 第49-51页 |
| 3.5.4 不同特征在压力检测中的重要性分析 | 第51-53页 |
| 3.5.5 交互特征在压力检测中的作用验证 | 第53-57页 |
| 3.6 讨论 | 第57-58页 |
| 3.7 本章小结 | 第58-59页 |
| 第4章 基于微博的青少年周期性压力感知 | 第59-81页 |
| 4.1 引言 | 第59-61页 |
| 4.1.1 研究背景与动机 | 第59-60页 |
| 4.1.2 研究挑战与本章贡献 | 第60-61页 |
| 4.2 时间序列上的周期检测算法调研 | 第61-63页 |
| 4.3 问题定义与解决框架 | 第63-64页 |
| 4.4 基于压力源的青少年压力序列 | 第64-67页 |
| 4.4.1 微博压力时间序列映射 | 第64页 |
| 4.4.2 针对特定压力源的压力序列分解 | 第64-67页 |
| 4.4.3 特定压力源下的压力序列正则化 | 第67页 |
| 4.5 压力/非压力波形提取与建模 | 第67-68页 |
| 4.6 基于扩展WARP的周期性压力检测 | 第68-71页 |
| 4.6.1 两波形之间的相似度衡量 | 第69页 |
| 4.6.2 基于扩展DTW距离的WARP周期算法 | 第69-71页 |
| 4.6.3 时间单位上的周期转换 | 第71页 |
| 4.7 实验验证 | 第71-80页 |
| 4.7.1 数据准备 | 第71-73页 |
| 4.7.2 衡量指标 | 第73-74页 |
| 4.7.3 实验效果 | 第74-80页 |
| 4.8 本章小结 | 第80-81页 |
| 第5章 网购行为的关键技术研究:用户购物兴趣建模与管理 | 第81-121页 |
| 5.1 引言 | 第81-84页 |
| 5.1.1 研究背景与动机 | 第81-82页 |
| 5.1.2 研究挑战与解决框架 | 第82-84页 |
| 5.2 相关工作 | 第84-86页 |
| 5.2.1 用户兴趣表示 | 第84-85页 |
| 5.2.2 学习用户兴趣 | 第85-86页 |
| 5.3 用户搜索兴趣的静态描述 | 第86-95页 |
| 5.3.1 用户购物的搜索描述 | 第86-93页 |
| 5.3.2 搜索区间描述 | 第93-95页 |
| 5.4 图序列上搜索兴趣的动态演化 | 第95-101页 |
| 5.4.1 基于能量守恒规则的动态演化策略 | 第96-97页 |
| 5.4.2 匹配结点的权重增量计算 | 第97-99页 |
| 5.4.3 非匹配结点的权重损失计算 | 第99-101页 |
| 5.5 基于兴趣图序列的相关查询 | 第101-110页 |
| 5.5.1 兴趣模式查询 | 第101-109页 |
| 5.5.2 商品页的回溯兴趣预测 | 第109-110页 |
| 5.6 实验验证 | 第110-120页 |
| 5.6.1 图序列模型及兴趣模式验证 | 第110-117页 |
| 5.6.2 商品回溯兴趣预测效果验证 | 第117-120页 |
| 5.7 本章小结 | 第120-121页 |
| 第6章 融合网购行为的用户心理压力检测 | 第121-149页 |
| 6.1 引言 | 第121-123页 |
| 6.1.1 研究背景与意义 | 第121-122页 |
| 6.1.2 研究挑战与本章贡献 | 第122-123页 |
| 6.2 问题定义与解决框架 | 第123-126页 |
| 6.2.1 网购数据格式 | 第123-125页 |
| 6.2.2 问题定义 | 第125-126页 |
| 6.2.3 解决框架 | 第126页 |
| 6.3 数据预处理 | 第126-129页 |
| 6.3.1 过滤非压力相关购买记录 | 第126-128页 |
| 6.3.2 用户个人偏好信息获取 | 第128-129页 |
| 6.4 压力相关的异常属性抽取 | 第129-138页 |
| 6.4.1 购买内容中的压力异常属性 | 第129-135页 |
| 6.4.2 下单行为中的压力异常属性 | 第135-138页 |
| 6.5 网购行为与微博压力检测结果的融合 | 第138-141页 |
| 6.5.1 单一数据源检测结果正则化 | 第138-139页 |
| 6.5.2 基于数据源置信度的压力状态加权融合 | 第139-140页 |
| 6.5.3 基于近邻策略的压力类别估计 | 第140-141页 |
| 6.6 实验结果与讨论 | 第141-147页 |
| 6.6.1 实验准备 | 第141-142页 |
| 6.6.2 基于购物数据的压力检测总体性能评测 | 第142-143页 |
| 6.6.3 不同压力相关异常属性对压力检测结果的影响 | 第143-145页 |
| 6.6.4 压力融合效果验证 | 第145-147页 |
| 6.7 本章小结 | 第147-149页 |
| 第7章 总结和展望 | 第149-152页 |
| 7.1 本文工作总结 | 第149-150页 |
| 7.2 未来工作展望 | 第150-152页 |
| 参考文献 | 第152-162页 |
| 致谢 | 第162-164页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第164-165页 |
