| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 移动社交环境概述 | 第12-14页 |
| 1.3 用户行为分析与预测概述 | 第14-17页 |
| 1.3.1 用户行为分析 | 第14-15页 |
| 1.3.2 用户行为预测 | 第15-17页 |
| 1.4 本文研究思路与内容安排 | 第17-19页 |
| 第二章 基于编码Apriori理论的用户行为分析与预测算法 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 算法描述 | 第19-27页 |
| 2.2.1 基于编码的二维Apriori理论 | 第19-21页 |
| 2.2.2 目标用户自身的关联分析 | 第21-23页 |
| 2.2.3 目标用户与关联用户的关联分析 | 第23-24页 |
| 2.2.4 基于影响力因子的改进加权预测方法 | 第24-26页 |
| 2.2.5 算法流程及复杂度分析 | 第26-27页 |
| 2.3 仿真验证 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于改进Apriori理论的用户行为分析与预测算法 | 第31-47页 |
| 3.1 引言 | 第31-32页 |
| 3.2 用户行为分析 | 第32-37页 |
| 3.2.1 基于相似度的用户行为分析 | 第32-33页 |
| 3.2.2 基于交互度的用户行为分析 | 第33-35页 |
| 3.2.3 基于模糊理论的用户行为定量表述 | 第35-37页 |
| 3.3 用户行为预测 | 第37-41页 |
| 3.3.1 改进型Apriori理论 | 第37-39页 |
| 3.3.2 Apriori样本库更新机制 | 第39-40页 |
| 3.3.3 算法流程 | 第40-41页 |
| 3.4 仿真验证 | 第41-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于Apriori理论的用户行为多重分析与最优预测算法 | 第47-59页 |
| 4.1 引言 | 第47-48页 |
| 4.2 网络场景 | 第48-49页 |
| 4.3 算法描述 | 第49-55页 |
| 4.3.1 基于Kendall系数的相似度 | 第49-50页 |
| 4.3.2 基于交互统计的交互度 | 第50-51页 |
| 4.3.3 基于代表度的用户行为分析 | 第51页 |
| 4.3.4 基于Apriori理论的关联分析 | 第51-52页 |
| 4.3.5 基于最小二乘模型的最优加权预测方法 | 第52-55页 |
| 4.4 仿真验证 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 全文工作总结 | 第59-60页 |
| 5.2 未来研究工作的展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 附录2 攻读硕士学位期间申请的专利 | 第66-67页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第67-68页 |
| 致谢 | 第68页 |
