| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 信息流行度预测研究 | 第12-13页 |
| 1.2.2 用户转发行为预测研究 | 第13-15页 |
| 1.2.3 信息传播路径预测研究 | 第15-16页 |
| 1.3 论文主要工作与结构 | 第16-19页 |
| 2 相关理论和技术 | 第19-26页 |
| 2.1 知识图谱 | 第19-21页 |
| 2.2 表示学习 | 第21-24页 |
| 2.2.1 文本表示学习 | 第22-23页 |
| 2.2.2 网络表示学习 | 第23-24页 |
| 2.2.3 知识表示学习 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 3 多重用户社交特征表示学习 | 第26-44页 |
| 3.1 预处理 | 第27-30页 |
| 3.2 用户社交内容特征表示学习 | 第30-34页 |
| 3.3 用户社交结构特征表示学习 | 第34-39页 |
| 3.3.1 基于知识图谱的用户关联程度计算 | 第35-36页 |
| 3.3.2 基于node2vec的结构特征表示学习 | 第36-39页 |
| 3.4 用户社交行为特征表示学习 | 第39-42页 |
| 3.4.1 人工特征设计 | 第39-41页 |
| 3.4.2 基于SAE的人工特征编码 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 4 基于图卷积网络的网络谣言传播预测 | 第44-49页 |
| 4.1 图卷积网络 | 第44-46页 |
| 4.2 模型整体结构 | 第46-47页 |
| 4.3 模型的训练 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 实验结果及其分析 | 第49-60页 |
| 5.1 数据标注和预处理 | 第49-52页 |
| 5.1.1 社交网络数据集 | 第49-50页 |
| 5.1.2 知识图谱数据集 | 第50-51页 |
| 5.1.3 数据标注 | 第51-52页 |
| 5.1.4 数据预处理 | 第52页 |
| 5.2 实验环境和评估方法 | 第52-53页 |
| 5.3 实验设计与结果分析 | 第53-59页 |
| 5.3.1 与基准方法对比实验 | 第53-55页 |
| 5.3.2 社交内容特征表示学习有效性验证实验 | 第55-56页 |
| 5.3.3 社交结构特征表示学习有效性验证实验 | 第56-57页 |
| 5.3.4 基于不同参数的对比实验 | 第57-58页 |
| 5.3.5 基于不同特征组合的对比实验 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 6 结论与展望 | 第60-62页 |
| 6.1 本文工作的总结 | 第60-61页 |
| 6.2 后续工作的展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士期间发表的科研成果 | 第66-67页 |
| 致谢 | 第67-68页 |