在线社会媒体的流行性预测研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 流行性预测研究 | 第12-14页 |
| 1.2.2 推荐系统研究 | 第14-15页 |
| 1.2.3 数据挖掘与机器学习研究 | 第15-16页 |
| 1.3 本文的主要贡献与创新 | 第16-17页 |
| 1.4 本论文的结构安排 | 第17-19页 |
| 第二章 相关技术基础 | 第19-36页 |
| 2.1 流行性预测技术基础 | 第19-26页 |
| 2.1.1 流行性预测基本概念 | 第19页 |
| 2.1.2 评价指标 | 第19-21页 |
| 2.1.2.1 数值型预测评价指标 | 第20页 |
| 2.1.2.2 分类型预测评价指标 | 第20-21页 |
| 2.1.3 常见的流行性预测方法 | 第21-26页 |
| 2.2 推荐系统技术基础 | 第26-30页 |
| 2.2.1 推荐系统基本概念 | 第26页 |
| 2.2.2 常见的推荐算法 | 第26-30页 |
| 2.3 数据挖掘与机器学习技术基础 | 第30-35页 |
| 2.3.1 数据挖掘与机器学习基本概念 | 第30-31页 |
| 2.3.2 常见数据挖掘与机器学习算法 | 第31-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于推荐的流行性预测算法研究 | 第36-51页 |
| 3.1 问题提出及相关研究 | 第36-37页 |
| 3.2 基于推荐的流行性预测算法 | 第37-41页 |
| 3.2.1 算法思想 | 第37-38页 |
| 3.2.2 算法描述 | 第38-41页 |
| 3.2.2.1 RBP算法描述 | 第38-39页 |
| 3.2.2.2 IBP算法描述 | 第39-41页 |
| 3.3 实验设计 | 第41-45页 |
| 3.3.1 数据集 | 第41-42页 |
| 3.3.2 评价指标 | 第42页 |
| 3.3.3 对比算法 | 第42-44页 |
| 3.3.4 实验方法和过程 | 第44-45页 |
| 3.4 实验结果与分析 | 第45-50页 |
| 3.4.1 PBP与RBP算法实验结果对比分析 | 第45-47页 |
| 3.4.2 推荐算法对RBP算法的影响 | 第47-49页 |
| 3.4.3 IBP算法结果分析 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于社交关系的流行性预测算法研究 | 第51-67页 |
| 4.1 问题的提出及相关研究 | 第51-52页 |
| 4.2 基于社交关系的流行性预测算法 | 第52-55页 |
| 4.2.1 算法思想 | 第52-54页 |
| 4.2.2 算法描述 | 第54-55页 |
| 4.3 实验设计 | 第55-58页 |
| 4.3.1 数据集 | 第55-56页 |
| 4.3.2 评价指标 | 第56-57页 |
| 4.3.3 对比算法 | 第57页 |
| 4.3.4 实验方法和过程 | 第57-58页 |
| 4.4 实验结果与分析 | 第58-66页 |
| 4.4.1 Digg数据集基本特性分析 | 第58-60页 |
| 4.4.2 网络结构和传播达人对流行性的影响分析 | 第60-63页 |
| 4.4.3 基于社交关系的流行性预测实验结果分析 | 第63-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-78页 |
