UGC質(zhì)量預(yù)判與控制機制研究

目錄總序前言第1章 緒論 11.1 研究背景及意義 11.2 國內(nèi)外研究現(xiàn)狀 41.3 研究內(nèi)容與研究方法 221.4 本章小結(jié) 26第2章 UGC基本問題 272.1 UGC的發(fā)展現(xiàn)狀 272.2 UGC的特點 332.3 UGC的類型 342.4 UGC存在的問題 382.5 本章小結(jié) 42第3章 UGC質(zhì)量現(xiàn)狀及評價標(biāo)準(zhǔn) 433.1 UGC質(zhì)量現(xiàn)狀 433.2 信息質(zhì)量評價指標(biāo) 513.3 UGC質(zhì)量評價標(biāo)準(zhǔn) 603.4 基于用戶體驗的UGC質(zhì)量評價標(biāo)準(zhǔn) 723.5 高質(zhì)量UGC的特征 773.6 本章小結(jié) 80第4章 社交網(wǎng)絡(luò)用戶參與行為及其對UGC質(zhì)量的影響 814.1 社交網(wǎng)絡(luò)用戶參與行為 814.2 社交網(wǎng)絡(luò)用戶參與行為的動因 854.3 影響UGC質(zhì)量的用戶參與行為因素 864.4 社交網(wǎng)絡(luò)用戶參與行為與UGC質(zhì)量關(guān)聯(lián)關(guān)系挖掘—以轉(zhuǎn)發(fā)行為為例 904.5 本章小結(jié) 104第5章 基于用戶信譽評級的UGC質(zhì)量預(yù)判模型 1055.1 基本思路 1055.2 基于歷史行為的用戶信譽評級算法 1075.3 基于用戶信譽評級的UGC質(zhì)量預(yù)判機制 1135.4 實驗驗證—以“新浪微博”為實驗平臺 1145.5 本章小結(jié) 125第6章 基于用戶行為情景的UGC質(zhì)量預(yù)判模型 1266.1 UGC用戶行為情景 1266.2 用戶行為情景本體的形式化表示 1316.3 基于用戶行為情景本體的UGC質(zhì)量預(yù)判模型 1336.4 本章小結(jié) 138第7章 基于用戶情緒感知的UGC質(zhì)量預(yù)判模型 1397.1 UGC用戶情緒感知 1397.2 研究設(shè)計 1427.3 基于用戶情緒感知的UGC質(zhì)量預(yù)判模型構(gòu)建 1447.4 模型檢驗 1507.5 本章小結(jié) 152第8章 基于用戶畫像的UGC質(zhì)量預(yù)判模型 1548.1 用戶畫像及其構(gòu)建方法 1548.2 基于用戶畫像的UGC質(zhì)量預(yù)判模型的構(gòu)建 1578.3 預(yù)判模型的驗證 1668.4 本章小結(jié) 173第9章 總結(jié)與展望 1749.1 本書主要的研究工作 1749.2 本書的突出特色 1779.3 本書存在的不足 177參考文獻 179附錄 197附錄1 網(wǎng)絡(luò)環(huán)境下影響UGC質(zhì)量的用戶信息行為重要性專家評分 197附錄2 “新浪微博”志愿者征集說明 198附錄3 微博內(nèi)容質(zhì)量評估系統(tǒng)部分代碼實現(xiàn) 199附錄4 詞條內(nèi)容質(zhì)量管理系統(tǒng)使用界面 207附錄5 低質(zhì)量UGC識別算法關(guān)鍵代碼（Python語言實現(xiàn)） 208附錄6 用戶畫像生成與UGC質(zhì)量預(yù)判模型關(guān)鍵代碼（Python語言實現(xiàn)） 211附錄7 本書設(shè)計的爬蟲程序關(guān)鍵代碼（Python語言實現(xiàn)） 218