| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第14-27页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究历史与现状 | 第15-25页 |
| 1.2.1 人类行为时间特性分析及建模 | 第15-20页 |
| 1.2.2 人类行为空间特性分析及建模 | 第20-23页 |
| 1.2.3 人类行为动力学效应及应用研究 | 第23-25页 |
| 1.3 本文主要研究内容和组织结构 | 第25-27页 |
| 第二章 人类行为的实证分析 | 第27-54页 |
| 2.1 数据集介绍 | 第27-30页 |
| 2.1.1 Delicious数据 | 第27页 |
| 2.1.2 Netflix数据 | 第27页 |
| 2.1.3 Movie Lens数据 | 第27-28页 |
| 2.1.4 Friend Feed 数据 | 第28页 |
| 2.1.5 Twitter数据 | 第28页 |
| 2.1.6 短信息数据 | 第28-29页 |
| 2.1.7 科学网数据 | 第29页 |
| 2.1.8 线上行为和线下行为数据 | 第29页 |
| 2.1.9 豆瓣数据 | 第29页 |
| 2.1.10 淘宝数据 | 第29页 |
| 2.1.11 手机阅读数据 | 第29-30页 |
| 2.2 人类行为时间特性研究 | 第30-34页 |
| 2.2.1 间隔时间分布研究 | 第30-31页 |
| 2.2.2 活跃性研究 | 第31-33页 |
| 2.2.3 时间重定标研究 | 第33页 |
| 2.2.4 周期现象研究 | 第33-34页 |
| 2.3 人类行为记忆效应研究 | 第34-39页 |
| 2.3.1 记忆性和阵发性 | 第35页 |
| 2.3.2 去趋势波动分析（DFA） | 第35-37页 |
| 2.3.3 去趋势波动分析（DFA）和用户活跃性 | 第37-39页 |
| 2.3.4 去趋势波动分析（DFA）和用户间隔时间分布 | 第39页 |
| 2.4 人类行为返回时间研究 | 第39-41页 |
| 2.5 人类行为活跃次数研究 | 第41-42页 |
| 2.6 人类行为非马尔可夫性研究 | 第42-44页 |
| 2.6.1 兴趣访问行为的非马尔可夫性 | 第42-44页 |
| 2.6.2 移动停留时间的非马尔可夫性 | 第44页 |
| 2.7 人类空间移动关联性研究 | 第44-46页 |
| 2.7.1 人类移动流量涨落规律及关联 | 第44-45页 |
| 2.7.2 不同节点数目 影响 | 第45-46页 |
| 2.8 人类行为网络可视化研究 | 第46-48页 |
| 2.8.1 人类兴趣跳转网络 | 第46页 |
| 2.8.2 人类移动网络 | 第46-47页 |
| 2.8.3 学术群组相关性网络 | 第47-48页 |
| 2.9 人类行为排名分布研究 | 第48-49页 |
| 2.10人类行为其它规律研究 | 第49-52页 |
| 2.10.1 活动次数与用户数目关系 | 第49-50页 |
| 2.10.2 人类真实行为熵和可预测性 | 第50-52页 |
| 2.10.3 学术论坛活动访问扩大过程 | 第52页 |
| 2.11本章小结 | 第52-54页 |
| 第三章 人类行为的建模及动力学机制 | 第54-78页 |
| 3.1 相对时钟模型 | 第54-59页 |
| 3.1.1 相对时钟概念 | 第54-55页 |
| 3.1.2 相对时钟模型 | 第55-58页 |
| 3.1.3 相对时钟模型结果 | 第58-59页 |
| 3.2 非马尔可夫模型 | 第59-69页 |
| 3.2.1 模型介绍 | 第59-60页 |
| 3.2.2 模型模块和参数 | 第60-62页 |
| 3.2.3 模型解析 | 第62-67页 |
| 3.2.3.1 连续访问兴趣长度 概率分布 | 第63-65页 |
| 3.2.3.2 返回间隔长度 概率分布 | 第65-66页 |
| 3.2.3.3 兴趣排名分布 | 第66-67页 |
| 3.2.4 模型模拟结果 | 第67-68页 |
| 3.2.5 在线行为和离线行为活动的非马尔可夫性 | 第68-69页 |
| 3.3 科学论坛访问建模 | 第69-72页 |
| 3.3.1 模型参数介绍 | 第69-70页 |
| 3.3.2 模型及其结果 | 第70-72页 |
| 3.4 扩散与聚焦建模 | 第72-76页 |
| 3.4.1 模型介绍 | 第72-73页 |
| 3.4.2 模型参数及其影响 | 第73-74页 |
| 3.4.3 模型解析 | 第74-75页 |
| 3.4.4 模型结果 | 第75-76页 |
| 3.5 本章小结 | 第76-78页 |
| 第四章 人类行为的动力学效应研究 | 第78-97页 |
| 4.1 人类行为空间特性对传播动力学的影响 | 第78-86页 |
| 4.1.1 模型介绍 | 第79-81页 |
| 4.1.1.1 地理层次网络模型 | 第79-80页 |
| 4.1.1.2 接触过程中的时间延迟 | 第80-81页 |
| 4.1.1.3 传播过程 | 第81页 |
| 4.1.2 不同接触模式影响 | 第81-86页 |
| 4.1.2.1 随机种子影响 | 第82-84页 |
| 4.1.2.2 非随机选取种子 | 第84-86页 |
| 4.2 人类行为空间特性对种群传播动力学的影响 | 第86-95页 |
| 4.2.1 模型介绍 | 第87-89页 |
| 4.2.2 基本模拟结果 | 第89-91页 |
| 4.2.3 人.数目和密度的影响 | 第91-93页 |
| 4.2.4 长距离出行的影响 | 第93-95页 |
| 4.3 本章小结 | 第95-97页 |
| 4.3.1 人类时空特性传播总结和讨论 | 第95页 |
| 4.3.2 人类时空特性种群传播总结和讨论 | 第95-97页 |
| 第五章 人类行为的应用研究 | 第97-108页 |
| 5.1 大数据下基于用户的协同过滤算法研究 | 第97-102页 |
| 5.1.1 协同过滤算法和 介绍 | 第98-100页 |
| 5.1.1.1 协同过滤算法 | 第98-99页 |
| 5.1.1.2 过程 | 第99-100页 |
| 5.1.2 协同过滤算法的 化 | 第100-101页 |
| 5.1.2.1 数据划分阶段 | 第100-101页 |
| 5.1.2.2 阶段 | 第101页 |
| 5.1.3 实验结果 | 第101-102页 |
| 5.2 大数据下人类空间轨迹预测研究 | 第102-107页 |
| 5.2.1 预测算法概述 | 第103-105页 |
| 5.2.1.1 基于时间特性的预测模型 | 第103-104页 |
| 5.2.1.2 基于空间特性的预测模型 | 第104页 |
| 5.2.1.3 基于时空等特性的预测模型 | 第104-105页 |
| 5.2.2 实验结果 | 第105-107页 |
| 5.3 本章小结 | 第107-108页 |
| 第六章 全文总结与展望 | 第108-112页 |
| 6.1 全文总结 | 第108-110页 |
| 6.2 未来研究展望 | 第110-112页 |
| 致谢 | 第112-113页 |
| 参考文献 | 第113-128页 |
| 攻博期间取得的研究成果 | 第128-130页 |