面向社交网络的信息传播关键技术研究
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第15-37页 |
| 1.1 研究背景及意义 | 第17-24页 |
| 1.1.1 在线社交网络概述 | 第17-20页 |
| 1.1.2 社交网络信息传播 | 第20-22页 |
| 1.1.3 研究意义 | 第22-23页 |
| 1.1.4 面临的挑战 | 第23-24页 |
| 1.2 相关研究工作 | 第24-33页 |
| 1.2.1 影响力最大化 | 第24-27页 |
| 1.2.2 实时个性化搜索 | 第27-29页 |
| 1.2.3 语言模型与文本分类 | 第29-31页 |
| 1.2.4 传播模型的学习 | 第31-33页 |
| 1.3 本文的工作与创新 | 第33-35页 |
| 1.4 论文结构 | 第35-37页 |
| 第二章 社交网络中传播效率最大化问题 | 第37-65页 |
| 2.1 研究动机 | 第38-40页 |
| 2.2 相关定义 | 第40-46页 |
| 2.2.1 传播模型以及影响力最大化问题 | 第40-45页 |
| 2.2.2 传播效率最大化问题 | 第45-46页 |
| 2.3 方法描述 | 第46-57页 |
| 2.4 实验分析 | 第57-63页 |
| 2.4.1 实验设置 | 第57-58页 |
| 2.4.2 相似度对比 | 第58-60页 |
| 2.4.3 算法精确度对比 | 第60-61页 |
| 2.4.4 运行时间对比 | 第61-62页 |
| 2.4.5 可扩展性 | 第62-63页 |
| 2.5 本章小结 | 第63-65页 |
| 第三章 基于语义扩展和文本质量的实时个性化搜索 | 第65-91页 |
| 3.1 研究动机 | 第66-68页 |
| 3.2 相关定义 | 第68-72页 |
| 3.3 方法描述 | 第72-81页 |
| 3.3.1 系统框架 | 第72-74页 |
| 3.3.2 特征提取模块 | 第74-76页 |
| 3.3.3 特征提取模块 | 第76-77页 |
| 3.3.4 候选生成模块 | 第77-80页 |
| 3.3.5 排序推送模块 | 第80-81页 |
| 3.4 实验分析 | 第81-89页 |
| 3.4.1 数据集及实验环境 | 第82-84页 |
| 3.4.2 评测标准 | 第84-85页 |
| 3.4.3 结果分析 | 第85-89页 |
| 3.5 本章小结 | 第89-91页 |
| 第四章 基于卷积神经网络的文本分类研究 | 第91-105页 |
| 4.1 研究动机 | 第92-94页 |
| 4.2 相关定义 | 第94-95页 |
| 4.3 方法描述 | 第95-100页 |
| 4.3.1 文本摘要提取 | 第95-96页 |
| 4.3.2 词向量模型 | 第96-98页 |
| 4.3.3 卷积神经网络的训练 | 第98-100页 |
| 4.4 实验分析 | 第100-104页 |
| 4.4.1 实验设置 | 第100-101页 |
| 4.4.2 结果分析 | 第101-104页 |
| 4.5 本章小结 | 第104-105页 |
| 第五章 基于概率阅读的事件传播模型研究 | 第105-123页 |
| 5.1 研究动机 | 第106-108页 |
| 5.2 相关定义 | 第108-112页 |
| 5.2.1 社交网络的基本定义 | 第108-109页 |
| 5.2.2 独立级联模型 | 第109-110页 |
| 5.2.3 事件的传播 | 第110-112页 |
| 5.3 方法描述 | 第112-118页 |
| 5.3.1 事件传播网络融合 | 第113页 |
| 5.3.2 垃圾用户过滤 | 第113-116页 |
| 5.3.3 概率阅读模型 | 第116-118页 |
| 5.4 实验分析 | 第118-122页 |
| 5.4.1 实验设计 | 第118页 |
| 5.4.2 实验结果与分析 | 第118-122页 |
| 5.5 本章小结 | 第122-123页 |
| 第六章 总结与展望 | 第123-127页 |
| 6.1 本文工作总结 | 第123-124页 |
| 6.2 未来工作展望 | 第124-127页 |
| 致谢 | 第127-129页 |
| 参考文献 | 第129-141页 |
| 作者在学期间取得的学术成果 | 第141-142页 |
