在线社交网络用户分类算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12页 |
| 1.4 论文的结构安排 | 第12-14页 |
| 第二章 在线社交网络和用户分类概述 | 第14-23页 |
| 2.1 引言 | 第14页 |
| 2.2 在线社交网络用户相关分析 | 第14-17页 |
| 2.2.1 在线社交网络 | 第14-15页 |
| 2.2.2 用户分类方法 | 第15-16页 |
| 2.2.3 微博用户分类 | 第16-17页 |
| 2.3 用户分类相关理论 | 第17-22页 |
| 2.3.1 互信息 | 第17-18页 |
| 2.3.2 朴素贝叶斯 | 第18-19页 |
| 2.3.3 支持向量机 | 第19-20页 |
| 2.3.4 多分类支持向量机 | 第20-22页 |
| 2.3.5 核函数 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于PSO的朴素贝叶斯改进算法 | 第23-38页 |
| 3.1 引言 | 第23-24页 |
| 3.2 数据特征提取与权值优化方案研究 | 第24-27页 |
| 3.2.1 特征提取 | 第24-26页 |
| 3.2.2 权值优化 | 第26-27页 |
| 3.3 基于PSO的朴素贝叶斯用户分类算法 | 第27-33页 |
| 3.3.1 PSO-NB算法 | 第27-30页 |
| 3.3.2 用户分类方案 | 第30-33页 |
| 3.4 实验与分析 | 第33-37页 |
| 3.4.1 参数选取 | 第33-35页 |
| 3.4.2 评价指标 | 第35-36页 |
| 3.4.3 实验分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于PSO的支持向量机改进算法 | 第38-49页 |
| 4.1 引言 | 第38-39页 |
| 4.2 核函数选取与多分类方案研究 | 第39-41页 |
| 4.2.1 核函数选取 | 第39页 |
| 4.2.2 多分类支持向量机 | 第39-41页 |
| 4.3 基于PSO的支持向量机用户分类算法 | 第41-44页 |
| 4.3.1 PSO-SVM算法 | 第41-44页 |
| 4.3.2 用户分类方案 | 第44页 |
| 4.4 实验与分析 | 第44-48页 |
| 4.4.1 核参数选取 | 第44-45页 |
| 4.4.2 多分类模型 | 第45-46页 |
| 4.4.3 实验分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 本文主要工作 | 第49页 |
| 5.2 未来工作展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附录 | 第55页 |
