EBSN中基于自激霍克斯过程的组流行度预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究现状 | 第13-18页 |
| 1.2.1 基于活动的社交网络研究现状 | 第13-16页 |
| 1.2.2 流行度研究现状 | 第16-18页 |
| 1.3 本文主要工作 | 第18-19页 |
| 1.3.1 组流行度定义 | 第18-19页 |
| 1.3.2 问题描述 | 第19页 |
| 1.3.3 研究目标及研究内容 | 第19页 |
| 1.4 本文的组织结构 | 第19-21页 |
| 第二章 相关理论知识概述 | 第21-27页 |
| 2.1 自激霍克斯过程相关理论知识 | 第21-23页 |
| 2.1.1 自激霍克斯过程 | 第21-22页 |
| 2.1.2 强度函数 | 第22页 |
| 2.1.3 目标优化函数 | 第22-23页 |
| 2.2 文本情感分析及其技术支持 | 第23-25页 |
| 2.2.1 文本情感分析 | 第23页 |
| 2.2.2 相关技术支持 | 第23-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第三章 EBSN网络建模与特征提取 | 第27-35页 |
| 3.1 数据集分析 | 第27-28页 |
| 3.2 组流行度时间段选取与EBSN网络建模 | 第28-31页 |
| 3.2.1 组流行度时间段选取 | 第28-29页 |
| 3.2.2 EBSN网络建模 | 第29-31页 |
| 3.3 特征提取 | 第31-34页 |
| 3.3.1 固有特性 | 第31页 |
| 3.3.2 历史趋势 | 第31-32页 |
| 3.3.3 内部情感特征 | 第32-33页 |
| 3.3.4 外部动态特征 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 组流行度预测模型及算法 | 第35-41页 |
| 4.1 组流行度预测模型 | 第35-36页 |
| 4.2 模型学习 | 第36-39页 |
| 4.2.1 目标优化函数 | 第36-37页 |
| 4.2.2 参数学习 | 第37-38页 |
| 4.2.3 模型学习算法 | 第38-39页 |
| 4.3 组流行度预测算法 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 实验设计及结果分析 | 第41-49页 |
| 5.1 实验环境 | 第41页 |
| 5.2 实验设计 | 第41-45页 |
| 5.2.1 评价指标 | 第42页 |
| 5.2.2 对比算法 | 第42-43页 |
| 5.2.3 超参设置 | 第43-45页 |
| 5.3 实验结果及对比 | 第45-46页 |
| 5.3.1 组流行度预测算法结果及对比分析 | 第45-46页 |
| 5.3.2 EHP算法中各特征的作用分析 | 第46页 |
| 5.4 本章小结 | 第46-49页 |
| 第六章 原型系统设计与实现 | 第49-57页 |
| 6.1 原型系统设计 | 第49-51页 |
| 6.1.1 系统架构 | 第49-50页 |
| 6.1.2 模块划分 | 第50-51页 |
| 6.2 开发环境 | 第51页 |
| 6.3 原型系统实现 | 第51-56页 |
| 6.3.1 支撑技术 | 第51页 |
| 6.3.2 实现细节 | 第51-55页 |
| 6.3.3 系统展示 | 第55-56页 |
| 6.4 本章小结 | 第56-57页 |
| 第七章 总结与展望 | 第57-59页 |
| 7.1 工作总结 | 第57-58页 |
| 7.2 研究展望 | 第58-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 作者简介 | 第65页 |
