| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 水军识别的国内外研究现状 | 第10-11页 |
| 1.2.2 微博话题检测的国内外研究现状 | 第11-12页 |
| 1.2.3 影响力分析的国内外研究现状 | 第12-13页 |
| 1.3 本文的研究内容及贡献 | 第13-14页 |
| 1.4 本文结构 | 第14-17页 |
| 第2章 相关理论和技术 | 第17-29页 |
| 2.1 水军的定义 | 第17页 |
| 2.2 有监督学习和无监督学习 | 第17-20页 |
| 2.2.1 朴素贝叶斯 | 第18页 |
| 2.2.2 C4.5决策树 | 第18-19页 |
| 2.2.3 逻辑回归 | 第19-20页 |
| 2.3 微博文本话题检测 | 第20-27页 |
| 2.3.1 微博数据的预处理 | 第20-21页 |
| 2.3.2 文本模型表示 | 第21-24页 |
| 2.3.3 文本相似度计算 | 第24-25页 |
| 2.3.4 聚类算法 | 第25-27页 |
| 2.4 影响力分析 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于改进的逻辑回归算法的微博水军识别 | 第29-39页 |
| 3.1 用户特征选取 | 第29-33页 |
| 3.1.1 用户账号属性 | 第29-31页 |
| 3.1.2 用户行为属性 | 第31-32页 |
| 3.1.3 用户时间属性 | 第32-33页 |
| 3.2 逻辑回归算法改进 | 第33-35页 |
| 3.2.1 逻辑回归的核心函数 | 第34-35页 |
| 3.2.2 梯度下降迭代求解参数 | 第35页 |
| 3.3 基于改进的逻辑回归算法的水军识别实验 | 第35-38页 |
| 3.3.1 数据处理 | 第36页 |
| 3.3.2 实验结果及分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于Single-pass增量聚类算法的微博话题检测 | 第39-53页 |
| 4.1 文本预处理 | 第39-41页 |
| 4.1.1 微博文本内容过滤 | 第40页 |
| 4.1.2 微博文本词形变化 | 第40-41页 |
| 4.1.3 微博文本分词 | 第41页 |
| 4.1.4 去除微博文本停用词 | 第41页 |
| 4.2 基于LDA主题模型的文本表示 | 第41-43页 |
| 4.3 基于改进的Single-pass算法的文本聚类 | 第43-49页 |
| 4.3.1 原Single-pass增量聚类算法 | 第43-46页 |
| 4.3.2 改进的Single-pass增量聚类算法 | 第46-49页 |
| 4.4 话题检测实验 | 第49-52页 |
| 4.4.1 实验数据 | 第49-50页 |
| 4.4.2 实验参数预设 | 第50-51页 |
| 4.4.3 评价指标 | 第51-52页 |
| 4.4.4 实验结果分析 | 第52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 微博话题影响力分析方法 | 第53-61页 |
| 5.1 总体框架 | 第53页 |
| 5.2 影响力分析方法 | 第53-57页 |
| 5.2.1 有关影响力分析的基本理论 | 第53-55页 |
| 5.2.2 基于话题的微博影响力传播因子 | 第55-57页 |
| 5.2.3 微博影响力评价模型 | 第57页 |
| 5.3 案例分析及结论 | 第57-59页 |
| 5.4 本章小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录 (攻读硕士期间发表的论文和专利) | 第67-69页 |
| 致谢 | 第69页 |
