| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 用户关系研究现状 | 第12-13页 |
| 1.2.2 用户群体发现的研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 论文框架 | 第14-16页 |
| 第二章 相关技术介绍 | 第16-26页 |
| 2.1 社交网络 | 第16-17页 |
| 2.1.1 社交网络简介 | 第16页 |
| 2.1.2 社交网络的理论基础 | 第16-17页 |
| 2.1.3 社交网络的表示 | 第17页 |
| 2.2 用户关系强度 | 第17-19页 |
| 2.2.1 用户特征值 | 第18页 |
| 2.2.2 余弦相似度 | 第18-19页 |
| 2.2.3 Jaccard 相似度 | 第19页 |
| 2.3 Hadoop 分布式框架 | 第19-23页 |
| 2.3.1 Hadoop 介绍 | 第20页 |
| 2.3.2 HDFS 分布式文件系统 | 第20-22页 |
| 2.3.3 MapReduce 编程模型 | 第22-23页 |
| 2.4 基于 LSH 的图聚类算法 | 第23-25页 |
| 2.4.1 LSH 局部敏感哈希 | 第23-24页 |
| 2.4.2 LSH 的应用 | 第24页 |
| 2.4.3 基于 LSH 的图聚类算法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于主题文本的用户关系强度计算 | 第26-35页 |
| 3.1 用户间的同现向量 | 第26-28页 |
| 3.1.1 关键词特征向量 | 第26-28页 |
| 3.1.2 用户特征同现向量 | 第28页 |
| 3.2 多样性指数 | 第28-31页 |
| 3.2.1 与其他计算方法的比较 | 第29页 |
| 3.2.2 香农熵的多样性 | 第29-30页 |
| 3.2.3 Renyi 熵的多样性 | 第30-31页 |
| 3.3 主题权重 | 第31-32页 |
| 3.3.1 区位熵 | 第31-32页 |
| 3.3.2 权重频率 | 第32页 |
| 3.4 用户关系强度计算模型 | 第32-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 基于关系强度的用户群体发现算法 | 第35-45页 |
| 4.1 算法概述 | 第35-36页 |
| 4.2 基于 MapReduce 的用户关系强度计算实现 | 第36-39页 |
| 4.2.1 构建主题特征向量与区位熵计算 | 第36-37页 |
| 4.2.2 构建特征同现向量 | 第37-39页 |
| 4.3 基于 MR-LSH 的用户群体发现 | 第39-44页 |
| 4.3.1 LSH 图聚类算法的具体流程 | 第39-41页 |
| 4.3.2 算法的 MapReduce 实现 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 实验与结果分析 | 第45-52页 |
| 5.1 实验环境配置 | 第45-47页 |
| 5.1.1 软硬件环境 | 第45页 |
| 5.1.2 集群环境配置 | 第45-47页 |
| 5.2 实验数据 | 第47-48页 |
| 5.3 实验结果 | 第48-51页 |
| 5.3.1 评估方法 | 第48页 |
| 5.3.2 计算用户关系强度的性能 | 第48-49页 |
| 5.3.3 关系强度计算 | 第49-50页 |
| 5.3.4 用户群体发现性能 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间的研究成果目录 | 第57-58页 |
| 致谢 | 第58页 |