| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-11页 |
| 1.1 背景和意义 | 第8-9页 |
| 1.2 社区发现国内外研究现状 | 第9页 |
| 1.3 本文完成的工作及创新点 | 第9-10页 |
| 1.4 论文内容组织结构 | 第10-11页 |
| 2 复杂网络与社区发现 | 第11-19页 |
| 2.1 复杂网络 | 第11-16页 |
| 2.1.1 网络的表示方法 | 第11-12页 |
| 2.1.2 复杂网络的一些属性 | 第12-16页 |
| 2.2 社区发现问题概述 | 第16页 |
| 2.2.1 社区的定义 | 第16页 |
| 2.3 社区发现的评价 | 第16-19页 |
| 2.3.1 聚类纯度 | 第16-17页 |
| 2.3.2 标准化互信息 | 第17页 |
| 2.3.3 模块度 | 第17-19页 |
| 3 经典社区发现的算法 | 第19-26页 |
| 3.1 研究方法 | 第19-22页 |
| 3.1.1 基于节点为中心的社区发现 | 第19页 |
| 3.1.2 基于群组为中心的社区发现 | 第19-20页 |
| 3.1.3 基于网络为中心的社区发现 | 第20页 |
| 3.1.4 基于层次为中心的社区发现 | 第20-22页 |
| 3.2 经典算法 | 第22-26页 |
| 3.2.1 KL算法 | 第22页 |
| 3.2.2 GN算法 | 第22-24页 |
| 3.2.3 快速Newman算法和CNM算法 | 第24页 |
| 3.2.4 LPA算法 | 第24-25页 |
| 3.2.5 Infomap算法 | 第25-26页 |
| 4 一种基于边适应度和节点相似性的社区发现算法 | 第26-36页 |
| 4.1 选择初始边 | 第27-29页 |
| 4.2 边的适应度函数 | 第29-31页 |
| 4.3 模块度函数 | 第31-33页 |
| 4.4 基于边社区的聚合过程以及基于点社区的边界点识别 | 第33-36页 |
| 5 实验和结果分析 | 第36-47页 |
| 5.1 计算机生成网络 | 第36-43页 |
| 5.2 真实网络 | 第43-47页 |
| 5.2.1 大学生美式足球联赛网络(American College Football数据集) | 第43-44页 |
| 5.2.2 其他数据集 | 第44-45页 |
| 5.2.3 实验结果 | 第45-47页 |
| 6 总结与展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52页 |