| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第9-12页 |
| 图目录 | 第12-14页 |
| 表目录 | 第14-15页 |
| 第一章 绪论 | 第15-39页 |
| 1.1 研究背景 | 第15-21页 |
| 1.1.1 社交网络的发展现状及特征分析 | 第15-18页 |
| 1.1.2 社交用户行为分析及预测的国内外研究现状 | 第18-21页 |
| 1.2 论文相关研究基础及方法理论 | 第21-27页 |
| 1.2.1 复杂网络理论基础 | 第21-25页 |
| 1.2.2 数据挖掘与机器学习算法 | 第25-26页 |
| 1.2.3 社交影响及传播模型 | 第26-27页 |
| 1.3 社交用户行为分析及预测面临的挑战及研究意义 | 第27-31页 |
| 1.3.1 面临的挑战 | 第27-30页 |
| 1.3.2 研究意义 | 第30-31页 |
| 1.4 论文主要内容及安排 | 第31-33页 |
| 1.4.1 论文相关的主要工作 | 第31页 |
| 1.4.2 论文的主要内容及创新点 | 第31-33页 |
| 参考文献 | 第33-39页 |
| 第二章 社交用户行为分析和预测框架 | 第39-51页 |
| 2.1 总体研究框架 | 第39-42页 |
| 2.2 用户交互网络模型 | 第42-45页 |
| 2.2.1 用户潜在关系挖掘 | 第42-43页 |
| 2.2.2 用户偏好一致性度量 | 第43-45页 |
| 2.3 社交用户行为分析与预测模型 | 第45-47页 |
| 2.3.1 问题描述 | 第45页 |
| 2.3.2 基于社交影响的预测框架 | 第45-47页 |
| 2.4 预测评估模型 | 第47-49页 |
| 2.5 本章小结 | 第49页 |
| 参考文献 | 第49-51页 |
| 第三章 社交用户潜在关系挖掘研究 | 第51-71页 |
| 3.1 研究背景 | 第51-54页 |
| 3.2 潜在关系挖掘的问题描述及评价准则 | 第54-55页 |
| 3.2.1 问题描述 | 第54页 |
| 3.2.2 评价准则 | 第54-55页 |
| 3.3 基于节点中心性与弱连接的潜在关系挖掘模型 | 第55-59页 |
| 3.3.1 节点中心性 | 第55-57页 |
| 3.3.2 基于节点中心性的潜在关系挖掘模型 | 第57-58页 |
| 3.3.3 结合弱连接理论的潜在关系挖掘模型 | 第58-59页 |
| 3.4 实验结果 | 第59-66页 |
| 3.4.1 数据集 | 第59-61页 |
| 3.4.2 对比算法 | 第61-62页 |
| 3.4.3 实验结果与分析 | 第62-66页 |
| 3.5 本章小结 | 第66页 |
| 参考文献 | 第66-71页 |
| 第四章 社交用户偏好一致性研究 | 第71-97页 |
| 4.1 研究背景 | 第71-73页 |
| 4.2 现有相似性测度分析 | 第73-77页 |
| 4.3 改进启发式相似性算法 | 第77-83页 |
| 4.3.1 初始相似性准则 | 第77-79页 |
| 4.3.2 研究动机 | 第79-80页 |
| 4.3.3 改进相似性算法的数学描述 | 第80-82页 |
| 4.3.4 改进相似性算法性能分析 | 第82-83页 |
| 4.4 实验分析 | 第83-92页 |
| 4.4.1 数据集 | 第83-84页 |
| 4.4.2 评估准则 | 第84-85页 |
| 4.4.3 对比方法 | 第85-86页 |
| 4.4.4 实验结果及分析 | 第86-92页 |
| 4.5 本章小结 | 第92页 |
| 参考文献 | 第92-97页 |
| 第五章 基于社交影响的用户行为预测 | 第97-123页 |
| 5.1 研究背景 | 第97-99页 |
| 5.2 基于局部网络拓扑的自适应影响力计算及用户偏好预测 | 第99-111页 |
| 5.2.1 研究动机 | 第100页 |
| 5.2.2 具有最短最大传播路径的社交影响传播模型 | 第100-102页 |
| 5.2.3 基于局部网络拓扑的节点社交影响力计算 | 第102-103页 |
| 5.2.4 局部网络拓扑自适应性能分析 | 第103-111页 |
| 5.3 基于局部用户交互的社交影响计算及用户偏好预测 | 第111-119页 |
| 5.3.1 研究动机 | 第111-112页 |
| 5.3.2 基于局部用户交互的社交影响力计算 | 第112-114页 |
| 5.3.3 基于局部用户交互的性能分析 | 第114-119页 |
| 5.4 本章小结 | 第119-120页 |
| 参考文献 | 第120-123页 |
| 第六章 预测算法的评估方法研究 | 第123-139页 |
| 6.1 研究背景 | 第123-125页 |
| 6.2 现有评估方法分析 | 第125-129页 |
| 6.2.1 现有评估方法的不足 | 第125-126页 |
| 6.2.2 现有评估结果的分布 | 第126-129页 |
| 6.3 预测评估模型 | 第129-131页 |
| 6.3.1 累积概率分布评估模型 | 第129-130页 |
| 6.3.2 用户体验自适应评估期望 | 第130-131页 |
| 6.4 实验结果与分析 | 第131-135页 |
| 6.4.1 分类正确性的累积概率分布 | 第131-133页 |
| 6.4.2 预测正确率的累积概率分布 | 第133-135页 |
| 6.5 本章小结 | 第135-136页 |
| 参考文献 | 第136-139页 |
| 第七章 总结和展望 | 第139-143页 |
| 7.1 论文总结 | 第139-141页 |
| 7.2 未来研究展望 | 第141-143页 |
| 致谢 | 第143-145页 |
| 博士期间发表的学术论文 | 第145-146页 |
