社交网络中流行度演化分析与预测问题研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第15-24页 |
| 1.1 研究背景及意义 | 第15-18页 |
| 1.2 研究挑战 | 第18-19页 |
| 1.3 本文工作 | 第19-21页 |
| 1.3.1 研究目标 | 第19页 |
| 1.3.2 研究内容 | 第19-21页 |
| 1.4 主要贡献 | 第21-23页 |
| 1.5 论文组织结构 | 第23-24页 |
| 2 文献综述 | 第24-40页 |
| 2.1 流行度模式概述 | 第24-28页 |
| 2.1.1 基本概念和常用理论 | 第24-26页 |
| 2.1.2 定性模式 | 第26-27页 |
| 2.1.3 定量模式 | 第27-28页 |
| 2.2 影响因素概述 | 第28-31页 |
| 2.2.1 促进流行度增长的因素 | 第28-31页 |
| 2.2.2 促使流行度饱和的因素 | 第31页 |
| 2.3 流行度预测概述 | 第31-38页 |
| 2.3.1 基于早期流行度的方法 | 第32-33页 |
| 2.3.2 基于影响因素的方法 | 第33-35页 |
| 2.3.3 基于级联传播的方法 | 第35-38页 |
| 2.4 本章小结 | 第38-40页 |
| 3 流行度演化模式的理解和建模 | 第40-60页 |
| 3.1 方法 | 第41-48页 |
| 3.1.1 数据粒度的选取 | 第41-43页 |
| 3.1.2 相关性分析 | 第43-44页 |
| 3.1.3 时间序列特征模式 | 第44-47页 |
| 3.1.4 平滑预处理 | 第47页 |
| 3.1.5 预测方法 | 第47-48页 |
| 3.2 数据集 | 第48-49页 |
| 3.3 实验 | 第49-58页 |
| 3.3.1 拟合效果评估 | 第49-51页 |
| 3.3.2 预测效果评估 | 第51-52页 |
| 3.3.3 所需历史数据的最小周期数 | 第52-53页 |
| 3.3.4 比较 | 第53-56页 |
| 3.3.5 案例学习 | 第56-58页 |
| 3.4 本章小结 | 第58-60页 |
| 4 流行度演化分阶段影响因素分析 | 第60-77页 |
| 4.1 方法 | 第61-65页 |
| 4.1.1 关键点的提取 | 第61-63页 |
| 4.1.2 影响因素的量化 | 第63-65页 |
| 4.2 数据集 | 第65-66页 |
| 4.3 实验 | 第66-76页 |
| 4.3.1 关键点时刻的统计分析 | 第66-68页 |
| 4.3.2 关键点累积流行度的统计分析 | 第68-71页 |
| 4.3.3 各特征和关键点时刻之间的相关性 | 第71-73页 |
| 4.3.4 各特征和关键点累积流行度之间的相关性 | 第73-76页 |
| 4.4 本章小结 | 第76-77页 |
| 5 流行度演化活跃期和关键点的预测 | 第77-101页 |
| 5.1 活跃期的预测 | 第78-89页 |
| 5.1.1 确定预测时间 | 第79页 |
| 5.1.2 预测方法 | 第79-85页 |
| 5.1.3 数据集 | 第85页 |
| 5.1.4 实验 | 第85-89页 |
| 5.2 关键点的预测 | 第89-100页 |
| 5.2.1 确定预测时间 | 第90-91页 |
| 5.2.2 预测方法 | 第91-93页 |
| 5.2.3 数据集 | 第93页 |
| 5.2.4 实验 | 第93-100页 |
| 5.3 本章小结 | 第100-101页 |
| 6 流行度演化分析预测平台 | 第101-114页 |
| 6.1 平台总体架构 | 第101-102页 |
| 6.2 具体实现 | 第102-111页 |
| 6.2.1 数据层 | 第102-105页 |
| 6.2.2 存储层 | 第105-109页 |
| 6.2.3 应用层 | 第109-111页 |
| 6.3 应用功能展示 | 第111-114页 |
| 7 总结与展望 | 第114-117页 |
| 7.1 工作总结 | 第114-115页 |
| 7.2 研究展望 | 第115-117页 |
| 参考文献 | 第117-126页 |
| 作者简历及在学研究成果 | 第126-131页 |
| 学位论文数据集 | 第131页 |
