| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-14页 |
| 1.1.2 研究意义 | 第14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.2.1 基于问卷调查方式的孤独状态推测 | 第14-15页 |
| 1.2.2 基于智能手机上下文数据分析的相关研究 | 第15-16页 |
| 1.2.3 相关工作总结 | 第16-17页 |
| 1.3 研究内容 | 第17-18页 |
| 1.4 论文结构 | 第18-19页 |
| 第二章 相关技术研究 | 第19-30页 |
| 2.1 数据处理 | 第19-22页 |
| 2.1.1 数据预处理 | 第19-21页 |
| 2.1.2 特征提取 | 第21-22页 |
| 2.2 分类算法 | 第22-25页 |
| 2.2.1 支持向量机(SupportVectorMachine) | 第22-23页 |
| 2.2.2 决策树(DecisionTree) | 第23-24页 |
| 2.2.3 朴素贝叶斯(Na?veBayes) | 第24页 |
| 2.2.4 随机森林(RandomForest) | 第24-25页 |
| 2.2.5 常用分类算法比较 | 第25页 |
| 2.3 增量学习 | 第25-28页 |
| 2.3.1 增量学习的实现方法 | 第26-27页 |
| 2.3.2 支持向量机上的增量学习 | 第27-28页 |
| 2.3.3 集成学习 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 孤独相关的数据处理与特征提取 | 第30-44页 |
| 3.1 手机数据收集 | 第30-32页 |
| 3.1.1 数据特点 | 第30-31页 |
| 3.1.2 数据收集工作及收集框架 | 第31-32页 |
| 3.2 数据类型 | 第32-34页 |
| 3.3 数据预处理 | 第34-37页 |
| 3.3.1 JSON解析 | 第34-36页 |
| 3.3.2 数据的完整性和一致性处理 | 第36-37页 |
| 3.4 数据特征提取 | 第37-42页 |
| 3.4.1 活动类数据的特征提取 | 第38页 |
| 3.4.2 位置类数据的特征提取 | 第38-40页 |
| 3.4.3 社交类数据的特征提取 | 第40-41页 |
| 3.4.4 交互类数据的特征提取 | 第41-42页 |
| 3.4.5 手机使用习惯类数据的特征提取 | 第42页 |
| 3.4.6 特征提取总结 | 第42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 孤独状态与手机使用模式之间的关系推测 | 第44-51页 |
| 4.1 StudentLife数据集 | 第44-45页 |
| 4.2 孤独状态衡量 | 第45-46页 |
| 4.3 孤独人群手机使用模式 | 第46-49页 |
| 4.3.1 相关性分析 | 第47-48页 |
| 4.3.2 手机使用对比 | 第48-49页 |
| 4.4 用户孤独状态识别 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 孤独状态识别框架设计与实现 | 第51-62页 |
| 5.1 体系架构 | 第51-52页 |
| 5.2 分类模型 | 第52-54页 |
| 5.3 原型系统实现 | 第54-57页 |
| 5.3.1 客户端系统实现 | 第54-56页 |
| 5.3.2 云端系统实现 | 第56-57页 |
| 5.4 实验验证与结果分析 | 第57-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 作者在学期间取得的学术成果 | 第70页 |