| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外微博用户影响力的研究现状 | 第14-15页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第二章 相关理论与技术的概述 | 第17-27页 |
| 2.1 Hadoop平台的介绍 | 第17-20页 |
| 2.1.1 Hadoop简介 | 第17页 |
| 2.1.2 Hadoop平台相关技术 | 第17-20页 |
| 2.1.3 Hadoop的优势 | 第20页 |
| 2.2 微博网络特性分析 | 第20-23页 |
| 2.2.1 微博用户交互方式分析 | 第20-21页 |
| 2.2.2 微博用户博文分析 | 第21-22页 |
| 2.2.3 微博用户行为分析 | 第22-23页 |
| 2.3 微博用户数据获取 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于Page Rank算法改进的微博用户影响力算法 | 第27-44页 |
| 3.1 Page Rank算法 | 第27-31页 |
| 3.1.1 Page Rank算法的背景应用 | 第27页 |
| 3.1.2 Page Rank算法的原理 | 第27-31页 |
| 3.2 Page Rank算法与微博用户影响力的矛盾 | 第31-35页 |
| 3.2.1 微博用户影响力分析 | 第32页 |
| 3.2.2 微博用户影响力的评估标准 | 第32-34页 |
| 3.2.3 Page Rank算法在微博用户影响力中的不足 | 第34-35页 |
| 3.3 基于Page Rank算法改进的WB-UR算法 | 第35-42页 |
| 3.3.1 WB-UR算法思想 | 第35-36页 |
| 3.3.2 WB-UR算法的具体实现 | 第36-39页 |
| 3.3.3 WB-UR算法的优势 | 第39-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 基于Hadoop的微博用户影响力算法实现 | 第44-55页 |
| 4.1 Hadoop平台的搭建 | 第44-47页 |
| 4.1.1 Hadoop伪分布式安装模式 | 第44-45页 |
| 4.1.2 Hadoop平台的搭建流程 | 第45-47页 |
| 4.2 数据库设计与实现 | 第47-51页 |
| 4.2.1 实验数据 | 第47-48页 |
| 4.2.2 数据库设计 | 第48-50页 |
| 4.2.3 数据导入 | 第50-51页 |
| 4.3 WB-UR算法的实现 | 第51-54页 |
| 4.3.1 用户数据模型搭建 | 第51-52页 |
| 4.3.2 WB-UR算法的Map Reduce编程实现 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 实验结果及其分析 | 第55-63页 |
| 5.1 Page Rank算法的结果分析 | 第55-57页 |
| 5.2 WB-UR算法的结果分析 | 第57-60页 |
| 5.3 WB-UR算法与Page Rank算法的结果排名对比 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |
