| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-15页 |
| 1.1 选题背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 论文的研究工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 社交网络信息传播综述 | 第15-29页 |
| 2.1 信息传播理论 | 第15-22页 |
| 2.1.1 传统社交网络中的信息传播 | 第15-17页 |
| 2.1.2 在线社交网络中的信息传播 | 第17-18页 |
| 2.1.3 新浪微博中信息传播方式 | 第18-22页 |
| 2.2 非正常特定目的信息的检测 | 第22-29页 |
| 2.2.1 内容检测 | 第22-25页 |
| 2.2.2 链接分析 | 第25页 |
| 2.2.3 用户行为分析 | 第25-26页 |
| 2.2.4 人工标注 | 第26-29页 |
| 第三章 非正常特定目的信息传播的关键问题和建模 | 第29-37页 |
| 3.1 非正常特定目的信息传播的关键问题 | 第29-33页 |
| 3.1.1 层次结构化体系 | 第30-31页 |
| 3.1.2 利用社交互动性 | 第31-32页 |
| 3.1.3 用户异常行为特征 | 第32-33页 |
| 3.1.4 虚假影响力 | 第33页 |
| 3.2 微博非正常特定目的信息传播组织建模 | 第33-37页 |
| 3.2.1 三层结构模型 | 第34-36页 |
| 3.2.2 非正常特定目的信息传播集团账号垃圾账号特征 | 第36-37页 |
| 第四章 对象选择及方法设计 | 第37-41页 |
| 4.1 研究对象的选择 | 第37-39页 |
| 4.1.1 平台选择 | 第37页 |
| 4.1.2 数据获取方法选择 | 第37-39页 |
| 4.2 数据采集和处理 | 第39页 |
| 4.2.1 数据采集 | 第39页 |
| 4.2.2 用户特征提取 | 第39页 |
| 4.3 基于机器学习的数据分析方法 | 第39-41页 |
| 4.3.1 分类器选择 | 第39-40页 |
| 4.3.2 Weka数据挖掘工具 | 第40-41页 |
| 第五章 微博数据集构建 | 第41-49页 |
| 5.1 构建数据集 | 第41-44页 |
| 5.1.1 数据获取 | 第41-44页 |
| 5.2 训练数据集 | 第44-49页 |
| 5.2.1 训练数据集构建 | 第44页 |
| 5.2.2 特征选择 | 第44-46页 |
| 5.2.3 训练分类器 | 第46-47页 |
| 5.2.4 分类器分类测试集 | 第47-49页 |
| 第六章 微博传播非正常信息用户分析 | 第49-69页 |
| 6.1 层次化结构和虚假影响力 | 第49-52页 |
| 6.1.1 大号微博连接 | 第49-51页 |
| 6.1.2 大号微博中垃圾账号参与度 | 第51-52页 |
| 6.2 利用社交互动性 | 第52-53页 |
| 6.3 用户异常行为特征 | 第53-59页 |
| 6.4 影响力分析 | 第59-62页 |
| 6.4.1 垃圾账号的影响力 | 第59-60页 |
| 6.4.2 转发量高的微博 | 第60-62页 |
| 6.5 图形化分析 | 第62-69页 |
| 6.5.1 非正常信息传播集团 | 第62-65页 |
| 6.5.2 正常传播 | 第65-69页 |
| 第七章 总结与展望 | 第69-73页 |
| 7.1 论文工作总结 | 第69-71页 |
| 7.2 研究的不足与展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-80页 |
| 作者攻读学位期间发表的学术论文目录 | 第80页 |