基于混合模型的社交网络新事件检测方法研究与应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 导论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外发展现状 | 第13-16页 |
| 1.2.1 国外发展现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 本文主要工作 | 第16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 社交网络舆情新事件检测框架 | 第18-28页 |
| 2.1 新事件检测基础概念 | 第18-20页 |
| 2.1.1 大数据定义 | 第18页 |
| 2.1.2 社交网络舆情 | 第18-20页 |
| 2.2 新事件检测技术介绍 | 第20-27页 |
| 2.2.1 节点相似性分析技术 | 第20-22页 |
| 2.2.2 网络水军及其研究 | 第22-23页 |
| 2.2.3 主题信息社区划分算法 | 第23-24页 |
| 2.2.4 伪舆情的特征和分类研究 | 第24-26页 |
| 2.2.5 基本NED方法 | 第26-27页 |
| 2.3 新事件检测框架介绍 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 核心用户数据的采集与存储 | 第28-34页 |
| 3.1 概述 | 第28页 |
| 3.2 模型与关系 | 第28-33页 |
| 3.2.1 关系与算法定义 | 第28-30页 |
| 3.2.2 关系说明 | 第30-32页 |
| 3.2.3 算法控制 | 第32-33页 |
| 3.2.4 EBKND解决问题流程 | 第33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 基于综合指数和熵值法的水军识别算法 | 第34-42页 |
| 4.1 网络水军的特征 | 第34-35页 |
| 4.2 研究方法 | 第35-36页 |
| 4.2.1 综合指数法 | 第35页 |
| 4.2.2 熵值法 | 第35-36页 |
| 4.2.3 实验方案 | 第36页 |
| 4.3 模型的构建与评估 | 第36-40页 |
| 4.3.1 数据采集 | 第36-37页 |
| 4.3.2 特征选择 | 第37-38页 |
| 4.3.3 数据处理 | 第38-39页 |
| 4.3.4 模型训练 | 第39-40页 |
| 4.3.5 模型评估 | 第40页 |
| 4.4 本章小结 | 第40-42页 |
| 第5章 社交网络中基于主题信息的社区划分算法 | 第42-55页 |
| 5.1 社会网络中社区的定义 | 第42页 |
| 5.2 用户关系链中的主题相似度传播与计算 | 第42-50页 |
| 5.2.1 用户间主题相似关系强度计算 | 第42-47页 |
| 5.2.2 用户关系链中的主题相似度计算 | 第47-50页 |
| 5.3 主题相似度计算算法框架 | 第50-51页 |
| 5.4 实验结果 | 第51-54页 |
| 5.4.1 实验环境及实验数据 | 第51-52页 |
| 5.4.2 精准度对比 | 第52-53页 |
| 5.4.3 可扩展性 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 伪舆情的检测 | 第55-64页 |
| 6.1 伪舆情的特征和分类研究 | 第55-56页 |
| 6.1.1 伪舆情的特征 | 第55页 |
| 6.1.2 伪舆情的类别 | 第55-56页 |
| 6.2 基于组合优化决策树的伪舆情识别方法 | 第56-59页 |
| 6.2.1 指标体系 | 第57-58页 |
| 6.2.2 基于组合优化决策树算法的判别流程 | 第58-59页 |
| 6.3 实证研究 | 第59-63页 |
| 6.4 本章小结 | 第63-64页 |
| 第7章 NED实验和评估 | 第64-70页 |
| 7.1 评估指标 | 第64-65页 |
| 7.2 缺失率VS平均检测时间 | 第65-66页 |
| 7.3 缺失率VS误报率VS平均检测时间 | 第66-67页 |
| 7.4 核心用户筛选对NED的影响 | 第67页 |
| 7.5 主题社区对NED的影响 | 第67-69页 |
| 7.6 本章小结 | 第69-70页 |
| 总结和展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77页 |
