基于H因子的微博社区发现方法
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·研究背景及意义 | 第8页 |
| ·国内外研究现状 | 第8-10页 |
| ·微博研究现状 | 第8-9页 |
| ·社区发现研究现状 | 第9-10页 |
| ·本文主要内容及结构安排 | 第10-11页 |
| ·主要研究内容及意义 | 第10页 |
| ·论文结构 | 第10-11页 |
| 2 相关概念及技术介绍 | 第11-24页 |
| ·社交网络分析 | 第11页 |
| ·社交网络的概念 | 第11页 |
| ·社交网络分析的基本概念 | 第11页 |
| ·分类算法的研究 | 第11-15页 |
| ·决策树算法 | 第11-12页 |
| ·支持向量机分类器 | 第12-13页 |
| ·深度学习 | 第13-15页 |
| ·基于链接分析的算法研究 | 第15-17页 |
| ·PageRank 算法 | 第15-16页 |
| ·HITS 算法 | 第16-17页 |
| ·Hadoop分布式技术 | 第17-23页 |
| ·Hadoop 基本架构 | 第17-20页 |
| ·MapReduce 编程模型 | 第20-22页 |
| ·Hbase 简介 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3 基于用户行为的僵尸粉识别算法 | 第24-34页 |
| ·一种基于用户行为的微博僵尸粉识别模型 | 第24-25页 |
| ·僵尸粉特征选择 | 第25-27页 |
| ·僵尸粉识别实验 | 第27-33页 |
| ·数据预处理 | 第27-28页 |
| ·僵尸粉识别算法对比实验 | 第28-32页 |
| ·实验结果及分析 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 4 基于H指数的微博用户影响力模型 | 第34-45页 |
| ·用户影响力的模型 | 第34页 |
| ·基于PageRank的用户影响力模型 | 第34-38页 |
| ·PageRank的计算模型 | 第34-35页 |
| ·微博数据的获取 | 第35页 |
| ·用户的PageRank值计算 | 第35-38页 |
| ·基于H因子的用户影响力模型 | 第38-39页 |
| ·用户影响力的对比实验 | 第39-44页 |
| ·数据的获取及预处理 | 第39页 |
| ·数据的描述 | 第39-41页 |
| ·基于PageRank的用户影响力实验 | 第41-42页 |
| ·基于H指数的用户影响力实验 | 第42-43页 |
| ·实验结果对比分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 5 基于微博用户影响力的社区发现方法 | 第45-52页 |
| ·实验环境搭建 | 第45-46页 |
| ·基于微博用户影响力的主题社区发现整体流程 | 第46-48页 |
| ·基于微博用户影响力的社区发现实验及分析 | 第48-50页 |
| ·实验过程 | 第48-50页 |
| ·实验结果及分析 | 第50页 |
| ·本章小结 | 第50-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56-57页 |
| 攻读学位期间发表的学术论文 | 第57-58页 |
| 致谢 | 第58-59页 |
