社交网络中的标签主题识别及社群挖掘方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 主要符号表 | 第17-18页 |
| 1 绪论 | 第18-42页 |
| 1.1 选题的背景及意义 | 第18-21页 |
| 1.1.1 选题的背景 | 第18-20页 |
| 1.1.2 选题的意义 | 第20-21页 |
| 1.2 相关理论及研究综述 | 第21-37页 |
| 1.2.1 社会标签系统概述 | 第21-24页 |
| 1.2.2 标签主题识别 | 第24-28页 |
| 1.2.3 用户关系分析 | 第28-36页 |
| 1.2.4 研究评述 | 第36-37页 |
| 1.3 研究的内容和方法 | 第37-39页 |
| 1.3.1 研究内容 | 第37-38页 |
| 1.3.2 研究方法 | 第38-39页 |
| 1.4 技术路线和结构安排 | 第39-42页 |
| 1.4.1 技术路线 | 第39-40页 |
| 1.4.2 结构安排 | 第40-42页 |
| 2 标签主题生成及用户重要性区分方法 | 第42-62页 |
| 2.1 问题描述及研究思路 | 第42-44页 |
| 2.1.1 问题描述 | 第42-43页 |
| 2.1.2 研究思路 | 第43-44页 |
| 2.2 标签主题生成 | 第44-49页 |
| 2.2.1 相关定义 | 第45页 |
| 2.2.2 标签聚类算法 | 第45-47页 |
| 2.2.3 用户兴趣社群划分 | 第47-49页 |
| 2.3 用户重要性的区分 | 第49-55页 |
| 2.3.1 用户关系矩阵 | 第49-52页 |
| 2.3.2 用户重要度指标 | 第52-54页 |
| 2.3.3 好友推荐应用算法 | 第54-55页 |
| 2.4 实验及讨论 | 第55-61页 |
| 2.4.1 实验数据集 | 第55页 |
| 2.4.2 标签聚类实验 | 第55-56页 |
| 2.4.3 用户相似度实验 | 第56-58页 |
| 2.4.4 好友推荐实验 | 第58-61页 |
| 2.5 本章小结 | 第61-62页 |
| 3 结合时间因素的用户兴趣更新模型 | 第62-81页 |
| 3.1 问题描述及研究思路 | 第62-66页 |
| 3.1.1 问题描述 | 第62-64页 |
| 3.1.2 研究思路 | 第64-66页 |
| 3.2 时间加权的LDA主题模型 | 第66-69页 |
| 3.2.1 时间权重确定 | 第66-67页 |
| 3.2.2 带有时间权重的LDA模型 | 第67-69页 |
| 3.3 标签关联的空间向量相似度模型 | 第69-72页 |
| 3.3.1 基于LDA的网络主题获取 | 第69-70页 |
| 3.3.2 空间向量相似度模型 | 第70-71页 |
| 3.3.3 用户兴趣层次树 | 第71-72页 |
| 3.4 用户兴趣的更新 | 第72-74页 |
| 3.4.1 用户兴趣更新算法 | 第72-73页 |
| 3.4.2 更新模型形式化表示 | 第73-74页 |
| 3.5 实验及讨论 | 第74-80页 |
| 3.5.1 数据采集、清洗及预处理 | 第74-76页 |
| 3.5.2 LDA网络主题抽取实验 | 第76-78页 |
| 3.5.3 用户兴趣挖掘结果 | 第78-80页 |
| 3.6 本章小结 | 第80-81页 |
| 4 基于用户社会关系及标签主题的社群划分 | 第81-105页 |
| 4.1 问题描述及研究思路 | 第81-83页 |
| 4.2 基于用户社会关系的链接预测分析 | 第83-89页 |
| 4.2.1 用户关注关系分析 | 第83-85页 |
| 4.2.2 用户互动关系分析 | 第85-87页 |
| 4.2.3 用户社会关系相似度模型 | 第87-89页 |
| 4.3 基于标签主题的用户相似度计算 | 第89-91页 |
| 4.3.1 用户标签相似度模型 | 第89-90页 |
| 4.3.2 用户主题相似度模型 | 第90页 |
| 4.3.3 用户标签主题相似度模型 | 第90-91页 |
| 4.4 基于用户综合相似度的社群划分 | 第91-96页 |
| 4.4.1 用户综合相似度模型及权重调节 | 第91-94页 |
| 4.4.2 信息粒度社群划分过程 | 第94-96页 |
| 4.5 实验与讨论 | 第96-104页 |
| 4.5.1 数据统计及预处理 | 第96-98页 |
| 4.5.2 基于用户社会关系的链接预测实验 | 第98-100页 |
| 4.5.3 信息粒度社群划分实验 | 第100-104页 |
| 4.6 本章小结 | 第104-105页 |
| 5 社群的知识增长测度及用户选择方法 | 第105-122页 |
| 5.1 问题描述及研究思路 | 第105-107页 |
| 5.1.1 问题描述 | 第105-106页 |
| 5.1.2 研究思路 | 第106-107页 |
| 5.2 混合标签本体模式 | 第107-109页 |
| 5.3 知识社群的组成及特征 | 第109-111页 |
| 5.4 社群的知识增长测度方法 | 第111-117页 |
| 5.4.1 社群的知识转移量 | 第112-114页 |
| 5.4.2 社群的知识转移效率 | 第114-117页 |
| 5.5 社群的用户选择方法 | 第117-121页 |
| 5.5.1 知识转移消息形式化模型 | 第118-119页 |
| 5.5.2 知识转移用户选择算法 | 第119-121页 |
| 5.6 本章小结 | 第121-122页 |
| 6 结论与展望 | 第122-125页 |
| 6.1 结论 | 第122-123页 |
| 6.2 创新点 | 第123页 |
| 6.3 研究局限和展望 | 第123-125页 |
| 参考文献 | 第125-134页 |
| 攻读博士学位期间科研项目及科研成果 | 第134-136页 |
| 致谢 | 第136-137页 |
| 作者简介 | 第137页 |
