基于图聚类的社会网络数据挖掘算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-12页 |
| 1.1.1 课题来源及意义 | 第9-10页 |
| 1.1.2 国内外研究现状 | 第10-12页 |
| 1.2 主要研究内容 | 第12页 |
| 1.3 论文组织结构 | 第12-13页 |
| 第2章 图聚类算法及其相关理论 | 第13-23页 |
| 2.1 社会网络特征 | 第13-15页 |
| 2.1.1 无尺度分布 | 第13页 |
| 2.1.2 小世界效应 | 第13-15页 |
| 2.1.3 强的社区结构 | 第15页 |
| 2.2 图的基本概念 | 第15-18页 |
| 2.2.1 图 | 第15-17页 |
| 2.2.2 图的表示 | 第17-18页 |
| 2.3 图聚类算法 | 第18-21页 |
| 2.3.1 Kernighan-Lin算法 | 第18页 |
| 2.3.2 谱聚类算法 | 第18-19页 |
| 2.3.3 网络结构聚类算法SCAN | 第19-20页 |
| 2.3.4 层次聚类算法 | 第20-21页 |
| 2.3.5 其他聚类算法 | 第21页 |
| 2.4 图聚类算法面临的挑战 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 传统GN算法介绍 | 第23-27页 |
| 3.1 边介数 | 第23-24页 |
| 3.2 GN算法概要 | 第24-26页 |
| 3.3 GN算法改进思想 | 第26页 |
| 3.4 本章小结 | 第26-27页 |
| 第4章 基于结构相似性的算法 | 第27-40页 |
| 4.1 算法相关定义 | 第27-28页 |
| 4.2 GNSCAN算法描述 | 第28-29页 |
| 4.3 IGNSCAN算法描述 | 第29-32页 |
| 4.3.1 算法描述 | 第29页 |
| 4.3.2 算法伪代码 | 第29-30页 |
| 4.3.3 算法实例 | 第30-32页 |
| 4.4 实验与结果分析 | 第32-39页 |
| 4.4.1 实验环境 | 第32页 |
| 4.4.2 实验数据 | 第32-35页 |
| 4.4.3 GN算法与GNSCAN算法实验对比 | 第35-36页 |
| 4.4.4 IGNSCAN算法实验 | 第36-38页 |
| 4.4.5 模块度对比 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 基于链路预测的算法 | 第40-49页 |
| 5.1 相关定义 | 第40-41页 |
| 5.2 GNRA算法描述 | 第41-44页 |
| 5.3 IGNRA算法 | 第44-45页 |
| 5.4 算法实验 | 第45-48页 |
| 5.4.1 运行时间对比 | 第45-47页 |
| 5.4.2 模块度对比 | 第47-48页 |
| 5.5 本章小结 | 第48-49页 |
| 第6章 总结与展望 | 第49-51页 |
| 6.1 总结 | 第49页 |
| 6.2 展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士期间公开发表论文及科研情况 | 第55-56页 |
| 致谢 | 第56-57页 |
| 附录 | 第57-65页 |
| 附录 算法划分 | 第57-65页 |
