| 摘要 | 第5-7页 |
| ABSTRACT | 第7-10页 |
| 第1章 绪论 | 第15-29页 |
| 1.1. 研究背景及意义 | 第15-18页 |
| 1.2. 研究内容 | 第18-23页 |
| 1.3. 研究目标 | 第23-24页 |
| 1.4. 论文的主要贡献 | 第24-26页 |
| 1.5. 论文的组织结构 | 第26-29页 |
| 第2章 相关工作综述 | 第29-57页 |
| 2.1. 在线社交网络中影响力分析及应用的基础方法 | 第29-42页 |
| 2.1.1. 在线社交网络中的用户影响力度量 | 第29-31页 |
| 2.1.2. 在线社交网络中的信息传播模型 | 第31-33页 |
| 2.1.3. 在线社交网络中的影响力最大化 | 第33-35页 |
| 2.1.4. 在线社交网络中的协同过滤方法 | 第35-40页 |
| 2.1.5. R树空间索引方法 | 第40-42页 |
| 2.2. 在线社交网络中影响力分析及应用的研究现状 | 第42-57页 |
| 2.2.1. 在线社交网络中用户影响力度量的研究现状 | 第42-47页 |
| 2.2.2. 在线社交网络中影响力最大化的研究现状 | 第47-52页 |
| 2.2.3. 在线社交网络中社区发现的研究现状 | 第52-57页 |
| 第3章 基于协同过滤的用户影响力度量方法 | 第57-83页 |
| 3.1. 引言 | 第57-59页 |
| 3.2. 问题描述以及模型框架 | 第59-61页 |
| 3.3. 基于额外信息的近邻发现方法 | 第61-68页 |
| 3.3.1. 活动近邻发现方法 | 第61-65页 |
| 3.3.2. 用户近邻发现方法 | 第65-68页 |
| 3.4. 融合矩阵分解与近邻方法的MF-EUN预测模型 | 第68-70页 |
| 3.4.1. 矩阵分解 | 第68-69页 |
| 3.4.2. MF-EUN:融合矩阵分解与活动-用户近邻方法的预测模型 | 第69-70页 |
| 3.4.3. 模型学习 | 第70页 |
| 3.5. 实验与分析 | 第70-80页 |
| 3.5.1. 实验设置 | 第70-74页 |
| 3.5.2. 实验结果 | 第74-80页 |
| 3.6. 本章小结 | 第80-83页 |
| 第4章 位置感知的定向影响力最大化方法 | 第83-115页 |
| 4.1. 引言 | 第83-85页 |
| 4.2. 问题描述与分析 | 第85-88页 |
| 4.3. TR树索引结构 | 第88-91页 |
| 4.4. 高效的近似算法 | 第91-102页 |
| 4.4.1. 面向主题的方法 | 第91-96页 |
| 4.4.2. 面向TR树的方法 | 第96-102页 |
| 4.5. 快速的启发式算法 | 第102-104页 |
| 4.6. 实验与分析 | 第104-112页 |
| 4.6.1. 实验设置 | 第104-106页 |
| 4.6.2. 实验结果 | 第106-112页 |
| 4.7. 本章小结 | 第112-115页 |
| 第5章 基于用户影响力的社区发现方法 | 第115-137页 |
| 5.1. 引言 | 第115-117页 |
| 5.2. 问题描述与方法框架 | 第117-119页 |
| 5.3. 基于用户影响力的社区发现方法 | 第119-128页 |
| 5.3.1. 用户的社交影响力计算方法 | 第119-123页 |
| 5.3.2. 基于用户影响力的社区发现算法 | 第123-128页 |
| 5.4. 实验与分析 | 第128-134页 |
| 5.4.1. 实验设置 | 第128-130页 |
| 5.4.2. 实验结果 | 第130-134页 |
| 5.5. 本章小结 | 第134-137页 |
| 第6章 结束语 | 第137-141页 |
| 6.1. 论文总结 | 第137-139页 |
| 6.2. 进一步研究工作 | 第139-141页 |
| 参考文献 | 第141-161页 |
| 致谢 | 第161-163页 |
| 攻读博士学位期间发表的论文与研究成果 | 第163页 |
