基于泊松分解的微博影响力分析
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 研究内容和文章组织结构 | 第13-14页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 文章组织结构 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 相关工作概述 | 第15-27页 |
| 2.1 社交影响力分析 | 第15-16页 |
| 2.2 微博推荐和微博转发预测 | 第16-18页 |
| 2.2.1 研究现状 | 第16-17页 |
| 2.2.2 因子分解机 | 第17-18页 |
| 2.3 概率生成模型 | 第18-19页 |
| 2.4 泊松分解模型 | 第19-23页 |
| 2.4.1 背景知识 | 第19-21页 |
| 2.4.2 泊松分解模型 | 第21-23页 |
| 2.5 GPU编程 | 第23-25页 |
| 2.5.1 GPU和CPU的区别 | 第23-24页 |
| 2.5.2 GPU编程 | 第24-25页 |
| 2.6 本章小结 | 第25-27页 |
| 第3章 基于泊松分解的影响力模型 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 问题定义以及变量定义 | 第27-28页 |
| 3.3 模型设计 | 第28-29页 |
| 3.4 模型详述 | 第29-33页 |
| 3.4.1 概率图模型简介 | 第29-30页 |
| 3.4.2 模型设计 | 第30-33页 |
| 3.5 推断 | 第33-41页 |
| 3.5.1 KL熵 | 第33页 |
| 3.5.2 变分推断 | 第33-38页 |
| 3.5.3 算法流程 | 第38-39页 |
| 3.5.4 时间和空间复杂度 | 第39-40页 |
| 3.5.5 模型使用 | 第40-41页 |
| 3.6 本章小结 | 第41-43页 |
| 第4章 实验结果 | 第43-53页 |
| 4.1 引言 | 第43页 |
| 4.2 实验数据准备 | 第43-45页 |
| 4.2.1 原始数据集描述 | 第43-44页 |
| 4.2.2 实验数据处理 | 第44页 |
| 4.2.3 实验准备 | 第44-45页 |
| 4.3 实验分析 | 第45-48页 |
| 4.4 微博推荐和微博预测 | 第48-51页 |
| 4.4.1 数据准备和实验流程 | 第48页 |
| 4.4.2 评价标准 | 第48-50页 |
| 4.4.3 实验结果 | 第50-51页 |
| 4.5 GPU实现 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 总结和展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间的主要研究成果 | 第59-60页 |
| 致谢 | 第60页 |
