| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景 | 第12-15页 |
| 1.2 研究内容的提出 | 第15页 |
| 1.3 微博僵尸用户检测研究现状 | 第15-16页 |
| 1.4 研究意义 | 第16页 |
| 1.5 论文的主要研究工作和组织结构 | 第16-19页 |
| 1.5.1 主要研究工作 | 第16-17页 |
| 1.5.2 论文的组织结构 | 第17-19页 |
| 2 微博服务及其相关理论 | 第19-30页 |
| 2.1 什么是微博 | 第19-20页 |
| 2.2 微博的特性 | 第20-21页 |
| 2.3 微博用户关系 | 第21页 |
| 2.4 社会网络的理论基础 | 第21-29页 |
| 2.4.1 复杂网络 | 第21-23页 |
| 2.4.2 基本概念 | 第23-27页 |
| 2.4.3 复杂网络社团划分算法 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 微博服务僵尸用户检测模型 | 第30-48页 |
| 3.1 什么是僵尸用户 | 第30-31页 |
| 3.2 真实用户与僵尸用户的粉丝关系网络特征对比 | 第31-33页 |
| 3.3 数据获取及模型构建 | 第33-35页 |
| 3.4 新浪微博用户行为特征对比 | 第35-37页 |
| 3.4.1 僵尸用户与真实用户的指标对比 | 第35-37页 |
| 3.4.2 僵尸用户与不活跃用户的对比 | 第37页 |
| 3.5 基于用户粉丝聚类现象的微博僵尸用户检测模型 | 第37-43页 |
| 3.5.1 可信度计算相关定义 | 第38-39页 |
| 3.5.2 微博粉丝关系数据处理 | 第39-41页 |
| 3.5.3 节点可信度计算算法 | 第41-42页 |
| 3.5.4 社团划分过程示例 | 第42-43页 |
| 3.6 僵尸用户检测 | 第43-45页 |
| 3.7 实验设计及结果分析 | 第45-47页 |
| 3.7.1 实验设计及分析 | 第45页 |
| 3.7.2 评价指标 | 第45页 |
| 3.7.3 实验结果及分析 | 第45-47页 |
| 3.8 本章小结 | 第47-48页 |
| 4 僵尸用户检测的进一步改进 | 第48-58页 |
| 4.1 云计算技术介绍 | 第48-50页 |
| 4.1.1 MapReduce 技术——编程模型 | 第48-49页 |
| 4.1.2 HDFS 技术——数据存储 | 第49-50页 |
| 4.2 基于 MapReduce 的僵尸用户检测机制 | 第50-54页 |
| 4.3 实验设计及分析 | 第54-57页 |
| 4.3.1 实验设计 | 第54页 |
| 4.3.2 评价指标 | 第54页 |
| 4.3.3 实验结果及分析 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 结论与展望 | 第58-60页 |
| 5.1 结论 | 第58-59页 |
| 5.2 进一步的工作 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 个人简历、在学期间发表的学术论文 | 第63-64页 |
| 个人简历 | 第63页 |
| 在学期间发表的学术论文 | 第63页 |
| 参与科研项目及参编书籍 | 第63页 |
| 所获奖励 | 第63-64页 |
| 致谢 | 第64页 |