摘要 | 第5-7页 |
Abstract | 第7-8页 |
主要缩略语及中英文对照 | 第12-13页 |
第一章 绪论 | 第13-23页 |
1.1. 研究背景 | 第13-17页 |
1.1.1. 社交网络的发展现状 | 第13-14页 |
1.1.2. 社交网络影响力传播的分析与挖掘 | 第14-15页 |
1.1.3. 面临挑战 | 第15-17页 |
1.2. 课题来源 | 第17页 |
1.3. 主要研究工作及贡献 | 第17-18页 |
1.4. 论文内容和结构 | 第18-20页 |
参考文献 | 第20-23页 |
第二章 相关工作综述 | 第23-43页 |
2.1. 社交网络影响力传播 | 第23-28页 |
2.1.1. 传染病模型 | 第25-26页 |
2.1.2. 独立级联模型 | 第26页 |
2.1.3. 线性阈值模型 | 第26-27页 |
2.1.4. 其他传播模型 | 第27-28页 |
2.2. 社交网络用户影响力的度量 | 第28-33页 |
2.2.1. 度量用户在整个社交网络中的影响力 | 第28-31页 |
2.2.2. 度量用户间的影响力 | 第31-33页 |
2.3. 社交网络影响力传播最大化 | 第33-37页 |
2.3.1. 社交网络影响力传播最大化问题定义 | 第34-35页 |
2.3.2. 社交网络影响力传播最大化问题的求解算法 | 第35-37页 |
2.4. 本章小结 | 第37页 |
参考文献 | 第37-43页 |
第三章 基于LT模型的用户间影响力度量方法 | 第43-63页 |
3.1. 引言 | 第43-44页 |
3.2. 相关预知识 | 第44-46页 |
3.3. 基于LT模型的用户间影响力度量方法 | 第46-55页 |
3.3.1. 基于最大熵的激活概率计算 | 第47-48页 |
3.3.2. 基于最大似然估计方法的问题建模 | 第48-50页 |
3.3.3. 基于改进粒子群算法的用户影响力学习 | 第50-55页 |
3.3.4. 算法时间复杂度分析 | 第55页 |
3.4. 仿真实验 | 第55-60页 |
3.4.1. 算法有效性验证 | 第55-58页 |
3.4.2. 算法的性能分析 | 第58-60页 |
3.5. 本章小结 | 第60-61页 |
参考文献 | 第61-63页 |
第四章 基于兴趣社区划分的影响最大化方法 | 第63-82页 |
4.1. 引言 | 第63-64页 |
4.2. 影响最大化问题描述 | 第64-65页 |
4.3. 基于兴趣社区划分的影响最大化方法 | 第65-74页 |
4.3.1. 兴趣社区划分 | 第67-71页 |
4.3.2. 影响最大化问题求解 | 第71-74页 |
4.4. 仿真实验 | 第74-80页 |
4.4.1. 实验设置 | 第75-76页 |
4.4.2. 兴趣社区划分算法性能分析 | 第76页 |
4.4.3. ECGA算法的性能分析 | 第76-80页 |
4.5. 本章小结 | 第80页 |
参考文献 | 第80-82页 |
第五章 面向特定用户的影响最大化方法 | 第82-111页 |
5.1. 引言 | 第82-83页 |
5.2. 面向特定用户的影响最大化问题 | 第83-92页 |
5.2.1. 预知识介绍 | 第84-85页 |
5.2.2. 目标函数模拟 | 第85-92页 |
5.3. 近似算法 | 第92-95页 |
5.3.1. 目标函数的属性 | 第92-94页 |
5.3.2. 近似算法 | 第94-95页 |
5.4. 改进算法与启发式算法 | 第95-99页 |
5.4.1. 基于IC模型的改进算法 | 第95-97页 |
5.4.2. 启发式算法 | 第97-99页 |
5.5. 仿真实验 | 第99-109页 |
5.5.1. 实验设置 | 第99-100页 |
5.5.2. 基于IC模型的算法分析 | 第100-106页 |
5.5.3. 基于LT模型的算法分析 | 第106-109页 |
5.6. 本章小结 | 第109页 |
参考文献 | 第109-111页 |
第六章 结束语 | 第111-113页 |
6.1. 论文总结 | 第111-112页 |
6.2. 进一步研究工作 | 第112-113页 |
致谢 | 第113-115页 |
攻读博士学位期间发表论文 | 第115-116页 |
攻读博士学位期间参与项目 | 第116页 |