基于领域主题与拓扑特征的社交网络用户信任度预测研究
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 1 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 基于推理模型的信任度预测方法 | 第12-13页 |
| 1.2.2 基于学习模型的信任度预测方法 | 第13-14页 |
| 1.2.3 基于图论的信任度预测方法 | 第14-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-19页 |
| 2 社交信任的基础理论 | 第19-26页 |
| 2.1 社交网络及其特征 | 第19-20页 |
| 2.1.1 社交网络简述 | 第19页 |
| 2.1.2 社交网络的基本特征 | 第19-20页 |
| 2.2 信任的概念与性质 | 第20-23页 |
| 2.2.1 信任的概念 | 第20-21页 |
| 2.2.2 信任的性质 | 第21页 |
| 2.2.3 信任的建模 | 第21-22页 |
| 2.2.4 信任的传播 | 第22-23页 |
| 2.3 信任度预测问题的分析 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 社交信任度的综合式预测算法 | 第26-41页 |
| 3.1 算法概述 | 第26-29页 |
| 3.1.1 相关定义 | 第26-27页 |
| 3.1.2 算法框架 | 第27-29页 |
| 3.2 用户领域主题加权相似度的计算 | 第29-31页 |
| 3.3 节点信任传播能力的计算 | 第31-32页 |
| 3.4 生成强信任路径的策略 | 第32-33页 |
| 3.4.1 筛选可信任的top-k邻居 | 第32-33页 |
| 3.4.2 基于限制的广度优先搜索 | 第33页 |
| 3.5 信任度的整合 | 第33-34页 |
| 3.6 算法描述 | 第34-38页 |
| 3.7 算法复杂度分析 | 第38-40页 |
| 3.7.1 离线计算的时间复杂度分析 | 第39页 |
| 3.7.2 在线计算的时间复杂度分析 | 第39-40页 |
| 3.8 本章小结 | 第40-41页 |
| 4 实验设计与分析 | 第41-56页 |
| 4.1 实验环境与数据集说明 | 第41-42页 |
| 4.2 实验设计 | 第42-43页 |
| 4.2.1 实验方法 | 第42-43页 |
| 4.2.2 参数设置 | 第43页 |
| 4.2.3 评价指标 | 第43页 |
| 4.3 算法的精度分析 | 第43-44页 |
| 4.4 与SWTrust算法的对比分析 | 第44-46页 |
| 4.5 与其它典型算法的对比分析 | 第46-48页 |
| 4.6 参数影响分析 | 第48-54页 |
| 4.6.1 参数k的影响分析 | 第48-50页 |
| 4.6.2 参数L的影响分析 | 第50-52页 |
| 4.6.3 参数θ的影响分析 | 第52-54页 |
| 4.7 实验总结 | 第54-55页 |
| 4.8 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间的主要研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
