| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 相关研究现状 | 第14-17页 |
| 1.3 论文主要内容 | 第17-18页 |
| 1.4 论文结构及安排 | 第18-19页 |
| 2 相关理论与技术基础 | 第19-33页 |
| 2.1 微博网络概述 | 第19-21页 |
| 2.1.1 微博网络表示方法 | 第19-20页 |
| 2.1.2 微博网络特征 | 第20-21页 |
| 2.2 微博数据预处理 | 第21-23页 |
| 2.2.1 僵尸用户的剔除 | 第21-22页 |
| 2.2.2 广告用户的剔除 | 第22-23页 |
| 2.3 微博用户社会关系挖掘 | 第23-25页 |
| 2.3.1 基于微博主题 | 第23页 |
| 2.3.2 基于关注关系 | 第23页 |
| 2.3.3 基于用户互动 | 第23-25页 |
| 2.3.4 基于用户属性 | 第25页 |
| 2.4 微博文本挖掘技术 | 第25-28页 |
| 2.4.1 中文分词 | 第25-26页 |
| 2.4.2 特征词提取 | 第26-27页 |
| 2.4.3 词语相似度计算 | 第27-28页 |
| 2.5 LDA模型 | 第28-31页 |
| 2.5.1 LDA生成模型 | 第28-30页 |
| 2.5.2 Gibbs抽样 | 第30-31页 |
| 2.6 相似度计算 | 第31页 |
| 2.7 聚类算法 | 第31-32页 |
| 2.8 本章小结 | 第32-33页 |
| 3 微博用户社会关系离线挖掘模型 | 第33-67页 |
| 3.1 现有模型分析 | 第34-38页 |
| 3.1.1 用户兴趣关系 | 第34-35页 |
| 3.1.2 用户位置关系 | 第35-36页 |
| 3.1.3 用户共同好友 | 第36-37页 |
| 3.1.4 用户交互度 | 第37页 |
| 3.1.5 用户背景属性 | 第37-38页 |
| 3.2 本文模型概述 | 第38-39页 |
| 3.3 结合虚拟微博图的用户兴趣关系评价算法 | 第39-43页 |
| 3.4 考虑行政区域划分与签到信息的用户活跃位置关系评价算法 | 第43-52页 |
| 3.4.1 位置信息的获取 | 第44页 |
| 3.4.2 ARUCI算法 | 第44-52页 |
| 3.5 结合图出入度的共同好友及扩展好友的用户关系评价算法 | 第52-57页 |
| 3.6 考虑交互行为倾向的用户交互关系评价算法 | 第57-59页 |
| 3.6.1 用户-微博二部图 | 第57-58页 |
| 3.6.2 TUIB算法 | 第58-59页 |
| 3.7 用户背景属性的用户相似度评价算法 | 第59-62页 |
| 3.7.1 背景信息 | 第60页 |
| 3.7.2 行为特征属性 | 第60-62页 |
| 3.8 基于最大似然度的微博用户社会关系评价模型 | 第62-66页 |
| 3.9 本章小结 | 第66-67页 |
| 4 实验结果及分析 | 第67-79页 |
| 4.1 实验数据及实验环境 | 第67-69页 |
| 4.1.1 数据采集 | 第67-68页 |
| 4.1.2 数据清洗 | 第68-69页 |
| 4.1.3 实验环境 | 第69页 |
| 4.2 评价指标 | 第69-70页 |
| 4.3 实验测试及分析 | 第70-78页 |
| 4.3.1 IUVMG算法 | 第70-72页 |
| 4.3.2 ARUCI算法 | 第72-74页 |
| 4.3.3 ODMF算法、TUIB算法、UBI算法 | 第74-76页 |
| 4.3.4 微博用户社会关系离线挖掘模型 | 第76-78页 |
| 4.4 本章小结 | 第78-79页 |
| 5 系统设计与实现 | 第79-83页 |
| 5.1 系统设计 | 第79-80页 |
| 5.2 系统实现及运行效果 | 第80-82页 |
| 5.3 本章小结 | 第82-83页 |
| 6 总结与展望 | 第83-85页 |
| 6.1 总结 | 第83-84页 |
| 6.2 展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第89-93页 |
| 学位论文数据集 | 第93页 |
