线上社交网络中用户个体行为挖掘方法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第1章 绪论 | 第17-29页 |
| 1.1 课题研究背景及研究意义 | 第17-19页 |
| 1.2 国内外研究现状 | 第19-24页 |
| 1.2.1 社交网络用户行为的研究概述 | 第19页 |
| 1.2.2 垃圾用户行为的研究 | 第19-21页 |
| 1.2.3 用户转发行为的研究 | 第21-22页 |
| 1.2.4 用户链接行为的研究 | 第22-23页 |
| 1.2.5 用户影响力的研究 | 第23-24页 |
| 1.3 论文的研究内容以及主要研究工作 | 第24-26页 |
| 1.4 论文的组织与结构 | 第26-29页 |
| 第2章 基础知识 | 第29-41页 |
| 2.1 社交网络分析概述 | 第29页 |
| 2.2 大数据处理平台 | 第29-32页 |
| 2.3 相关基础理论 | 第32-40页 |
| 2.3.1 主动学习算法 | 第32-35页 |
| 2.3.2 自步学习算法 | 第35-36页 |
| 2.3.3 多任务学习算法 | 第36-38页 |
| 2.3.4 社交网络社区发现算法 | 第38-39页 |
| 2.3.5 节点重要性排序算法 | 第39-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第3章 垃圾用户行为的主动学习检测方案 | 第41-55页 |
| 3.1 引言 | 第41-42页 |
| 3.2 主动垃圾用户行为检测 | 第42-45页 |
| 3.2.1 问题描述与方案设计 | 第42-43页 |
| 3.2.2 基于支持向量机的主动学习 | 第43-45页 |
| 3.3 基于主动自步学习的垃圾用户行为检测 | 第45-48页 |
| 3.3.1 方案概述 | 第45-46页 |
| 3.3.2 问题建模与算法设计 | 第46-48页 |
| 3.4 实验设计与分析 | 第48-53页 |
| 3.4.1 社交网络数据集与实验参数设置 | 第48-49页 |
| 3.4.2 实验结果与分析 | 第49-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第4章 用户个体转发行为分析及预测 | 第55-67页 |
| 4.1 引言 | 第55-56页 |
| 4.2 个体转发行为预测 | 第56-61页 |
| 4.2.1 转发行为定义 | 第56-57页 |
| 4.2.2 用户相似性 | 第57-59页 |
| 4.2.3 基于用户相似性的个体转发预测模型 | 第59-61页 |
| 4.3 基于个体转发概率的信息传播模型 | 第61-62页 |
| 4.4 实验设计与分析 | 第62-65页 |
| 4.4.1 微博数据集与实验设置 | 第62-63页 |
| 4.4.2 实验结果对比分析 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第5章 基于用户个人链接行为的圈子分析 | 第67-81页 |
| 5.1 引言 | 第67-68页 |
| 5.2 圈子发现算法 | 第68-72页 |
| 5.2.1 相关定义 | 第68-69页 |
| 5.2.2 基于结构的圈子发现算法 | 第69-70页 |
| 5.2.3 基于主题的圈子发现算法 | 第70-72页 |
| 5.3 圈子对信息传播的影响 | 第72-75页 |
| 5.3.1 基于传染病模型的信息传播模型 | 第72-74页 |
| 5.3.2 基于局部圈子的信息传播算法 | 第74-75页 |
| 5.4 实验设计与分析 | 第75-80页 |
| 5.4.1 ego网络数据与设置 | 第75-76页 |
| 5.4.2 结果可视化与对比分析 | 第76-80页 |
| 5.5 本章小结 | 第80-81页 |
| 第6章 数据驱动的用户多主题影响力分析 | 第81-93页 |
| 6.1 引言 | 第81-82页 |
| 6.2 多主题影响力传播模型 | 第82-84页 |
| 6.3 主题相关排序算法 | 第84-87页 |
| 6.4 实验设置与分析 | 第87-91页 |
| 6.4.1 微博数据集 | 第87页 |
| 6.4.2 对比结果与分析 | 第87-91页 |
| 6.5 本章小结 | 第91-93页 |
| 第7章 总结与展望 | 第93-97页 |
| 7.1 论文工作总结 | 第93-95页 |
| 7.2 未来工作展望 | 第95-97页 |
| 参考文献 | 第97-109页 |
| 致谢 | 第109-111页 |
| 作者简介 | 第111-113页 |
