新浪微博用户行为分析及预测
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 选题背景 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.2.1 国外研究现状 | 第9页 |
| 1.2.2 国内研究现状 | 第9-10页 |
| 1.3 研究的意义 | 第10页 |
| 1.4 主要的研究内容 | 第10-12页 |
| 1.5 本章小结 | 第12-14页 |
| 2 课题相关理论综述 | 第14-24页 |
| 2.1 文本分类相关技术 | 第14-18页 |
| 2.1.1 向量空间模型 | 第15页 |
| 2.1.2 中文分词技术 | 第15-16页 |
| 2.1.3 特征选择方法 | 第16-17页 |
| 2.1.4 特征权重计算方法 | 第17-18页 |
| 2.2 文本分类算法 | 第18-21页 |
| 2.2.2 KNN算法 | 第18-19页 |
| 2.2.3 类中心向量算法 | 第19-20页 |
| 2.2.4 逻辑回归模型 | 第20-21页 |
| 2.3 模糊集理论 | 第21页 |
| 2.3.1 模糊集定义 | 第21页 |
| 2.4 Map Reduce理论简介 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 3 数据描述及分析 | 第24-36页 |
| 3.1 数据构成的符号集描述如下 | 第24页 |
| 3.2 数据分析 | 第24-34页 |
| 3.2.1 微博整体规律分析 | 第24-26页 |
| 3.2.2 微博特征分析 | 第26-31页 |
| 3.2.3 用户行为分析 | 第31-32页 |
| 3.2.4 用户行为与时间关系的分析 | 第32-34页 |
| 3.3 本章小结 | 第34-36页 |
| 4 建立预测模型 | 第36-44页 |
| 4.1 构建每个用户的中心向量 | 第36-38页 |
| 4.2 改进的KNN算法实现预测 | 第38-40页 |
| 4.2.1 类别集合代替传统的求距离 | 第38页 |
| 4.2.2 用户行为预测过程 | 第38-40页 |
| 4.3 预测结果的评价 | 第40页 |
| 4.4 算法举例 | 第40-41页 |
| 4.5 建立预测模型 | 第41-43页 |
| 4.6 本章小结 | 第43-44页 |
| 5 实例仿真分析 | 第44-52页 |
| 5.1 仿真环境及数据集 | 第44页 |
| 5.2 仿真实施步骤 | 第44-48页 |
| 5.3 评估指标 | 第48-49页 |
| 5.4 仿真结果分析 | 第49-50页 |
| 5.5 本章小结 | 第50-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 工作总结 | 第52页 |
| 6.2 工作展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士期间所做课题及发表的学术论文 | 第60页 |
