GitHub用户数据分析与研究
摘要 | 第2-3页 |
Abstract | 第3-4页 |
1 绪论 | 第7-15页 |
1.1 研究背景 | 第7-9页 |
1.2 研究目的和意义 | 第9-10页 |
1.3 研究现状 | 第10-12页 |
1.3.1 社交网络分析相关工作 | 第10-11页 |
1.3.2 GitHub相关工作 | 第11-12页 |
1.4 本文工作 | 第12-13页 |
1.4.1 GitHub用户特征提取和分析 | 第12-13页 |
1.4.2 GitHub用户影响力分析 | 第13页 |
1.4.3 GitHub用户分类 | 第13页 |
1.5 本文结构 | 第13-15页 |
2 GitHub用户数据集分析 | 第15-25页 |
2.1 GitHub数据 | 第15页 |
2.2 用户特征提取 | 第15-19页 |
2.3 用户特征分析 | 第19-21页 |
2.3.1 用户特征统计分析 | 第19-20页 |
2.3.2 用户特征分布情况 | 第20-21页 |
2.4 用户特征关系分析 | 第21-23页 |
2.4.1 用户粉丝数量与用户关注数量关系 | 第21-22页 |
2.4.2 用户粉丝数量和用户项目数量关系 | 第22-23页 |
2.5 数据集过滤 | 第23-25页 |
3 GitHub用户影响力分析 | 第25-44页 |
3.1 用户影响力分析相关算法以及实验平台 | 第27-29页 |
3.1.1 PageRank算法 | 第27页 |
3.1.2 HITS算法 | 第27-28页 |
3.1.3 H-因子 | 第28页 |
3.1.4 波达计数法 | 第28页 |
3.1.5 斯皮尔曼相关系数 | 第28-29页 |
3.1.6 实验平台 | 第29页 |
3.2 基于follow网络的分析 | 第29-34页 |
3.2.1 用户粉丝数量 | 第29-30页 |
3.2.2 UserRank算法 | 第30-32页 |
3.2.3 HITS算法 | 第32页 |
3.2.4 结果分析 | 第32-34页 |
3.3 基于Star网络的分析 | 第34-36页 |
3.4 基于Fork网络的分析 | 第36-39页 |
3.5 基于用户活跃性的分析 | 第39-40页 |
3.6 影响力综合评估 | 第40-44页 |
4 GitHub用户分类 | 第44-56页 |
4.1 用户分类相关算法 | 第44-49页 |
4.1.1 自然语言处理 | 第45页 |
4.1.2 向量空间模型 | 第45-46页 |
4.1.3 分类算法 | 第46-47页 |
4.1.4 社区发现算法 | 第47-49页 |
4.2 基于内容的用户分类 | 第49页 |
4.3 基于网络结构的用户分类 | 第49-52页 |
4.4 标签数据集构建 | 第52-53页 |
4.5 基于半监督学习的用户分类 | 第53-54页 |
4.5.1 半监督学习模型 | 第53-54页 |
4.5.2 实验平台 | 第54页 |
4.5.3 实验参数设置 | 第54页 |
4.5.4 结果评估 | 第54页 |
4.6 实验结果和分析 | 第54-56页 |
结论 | 第56-58页 |
参考文献 | 第58-61页 |
附录A 缩略词表 | 第61-62页 |
攻读硕士学位期间发表学术论文情况 | 第62-63页 |
致谢 | 第63-65页 |