面向中文微博的社区发现和结构洞挖掘的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 论文研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第2章 相关的理论和技术 | 第13-19页 |
| 2.1 社会网络分析 | 第13页 |
| 2.2 文本聚类技术 | 第13-16页 |
| 2.2.1 文本预处理 | 第13-15页 |
| 2.2.2 文本表示模型 | 第15页 |
| 2.2.3 聚类算法介绍 | 第15-16页 |
| 2.3 语义分析技术理论 | 第16-18页 |
| 2.3.1 特征空间降维 | 第16-17页 |
| 2.3.2 隐含语义分析 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 微博数据的获取和网络建模 | 第19-27页 |
| 3.1 微博网络简介 | 第19-20页 |
| 3.1.1 微博的特点 | 第19-20页 |
| 3.1.2 微博的交流机制 | 第20页 |
| 3.2 微博数据的获取 | 第20-24页 |
| 3.2.1 微博应用的创建 | 第20-21页 |
| 3.2.2 OAuth2.0 授权机制 | 第21-22页 |
| 3.2.3 微博数据采集 | 第22-24页 |
| 3.3 微博网络建模 | 第24-26页 |
| 3.3.1 平面结构的网络模型 | 第24页 |
| 3.3.2 基于主题的多层次网络模型 | 第24-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第4章 微博网络社区发现的算法研究 | 第27-52页 |
| 4.1 社区发现概述 | 第27-28页 |
| 4.2 经典的社区发现算法 | 第28-30页 |
| 4.2.1 层次聚类算法 | 第28-29页 |
| 4.2.2 Newman 快速算法 | 第29-30页 |
| 4.3 基于主题相似性的社区发现 | 第30-37页 |
| 4.3.1 基于词共现度的事件划分 | 第30-33页 |
| 4.3.2 基于隐含语义的进展分析 | 第33-36页 |
| 4.3.3 用户影响力分析 | 第36-37页 |
| 4.4 基于网络拓扑的社区发现 | 第37-43页 |
| 4.4.1 最大基数搜索的 Greedy 算法 | 第39-40页 |
| 4.4.2 基于权重平衡的 WEBA 算法 | 第40-43页 |
| 4.5 实验分析与评估 | 第43-51页 |
| 4.5.1 事件划分结果 | 第43-45页 |
| 4.5.2 用户影响力 | 第45-47页 |
| 4.5.3 WEBA 算法结果 | 第47-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 微博网络结构洞的挖掘和研究 | 第52-63页 |
| 5.1 结构洞理论简介 | 第52-53页 |
| 5.2 基于节点重要度的挖掘算法 | 第53-56页 |
| 5.2.1 网络节点的重要度评价 | 第54-55页 |
| 5.2.2 基于舆论领袖的 HIS 算法 | 第55-56页 |
| 5.3 基于信息流的挖掘算法 | 第56-59页 |
| 5.3.1 流网络 | 第57-58页 |
| 5.3.2 基于最小割的 MaxD 算法 | 第58-59页 |
| 5.4 实验分析与评估 | 第59-62页 |
| 5.5 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |
