| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 用户领域影响力分析研究现状 | 第11页 |
| 1.2.2 用户偏好的研究现状 | 第11-12页 |
| 1.2.3 目前研究中存在的问题 | 第12页 |
| 1.3 本文的主要内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 相关知识 | 第14-20页 |
| 2.1 社交网络概述 | 第14页 |
| 2.2 影响力分析方法 | 第14-16页 |
| 2.2.1 PageRank算法 | 第14-15页 |
| 2.2.2 HITS算法 | 第15页 |
| 2.2.3 K-Shell分解算法 | 第15-16页 |
| 2.3 常用的推荐算法 | 第16-19页 |
| 2.3.1 基于规则的推荐 | 第17页 |
| 2.3.2 基于内容的推荐 | 第17页 |
| 2.3.3 协同推荐 | 第17-18页 |
| 2.3.4 混合推荐 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 融合领域特征和改进K-SHELL的微博用户影响力分析 | 第20-29页 |
| 3.1 相关工作 | 第20页 |
| 3.2 基于用户特征的领域划分 | 第20-22页 |
| 3.2.1 用户信息表示 | 第20-21页 |
| 3.2.2 用户领域划分 | 第21-22页 |
| 3.3 改进的K-Shell算法 | 第22-24页 |
| 3.3.1 二次近邻相似度重要度值 | 第22-23页 |
| 3.3.2 改进K-Shell节点重要度划分方法 | 第23-24页 |
| 3.4 实验分析 | 第24-28页 |
| 3.4.1 实验指标 | 第24-25页 |
| 3.4.2 对比实验 | 第25-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第四章 融合用户特征与偏好的个性化微博推荐 | 第29-39页 |
| 4.1 相关研究 | 第29页 |
| 4.2 相关定义 | 第29-30页 |
| 4.3 融合用户特征与偏好的个性化微博推荐算法 | 第30-35页 |
| 4.3.1 用户特征相似度 | 第30-33页 |
| 4.3.2 基于微博分类的用户微博偏好表示 | 第33-35页 |
| 4.4 实验结果与分析 | 第35-38页 |
| 4.4.1 实验数据集 | 第35页 |
| 4.4.2 评价指标 | 第35-36页 |
| 4.4.3 实验结果与分析 | 第36-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第五章 微博推荐原型系统的设计与实现 | 第39-43页 |
| 5.1 系统设计原理 | 第39页 |
| 5.2 系统设计方案 | 第39-40页 |
| 5.3 系统功能展示 | 第40-42页 |
| 5.3.1 登录界面 | 第40-41页 |
| 5.3.2 主界面 | 第41页 |
| 5.3.3 用户影响力分析界面 | 第41-42页 |
| 5.3.4 微博推荐界面 | 第42页 |
| 5.4 本章小结 | 第42-43页 |
| 第六章 总结与展望 | 第43-45页 |
| 6.1 论文总结 | 第43页 |
| 6.2 工作展望 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 攻硕期间发表论文及科研成果 | 第48-49页 |
| 致谢 | 第49页 |