首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

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

论文共65页,点击 下载论文
上一篇:基于三维激光点云数据的室外场景理解
下一篇:基于图神经网络学习的人脸重建方法研究