基于改进粒子群社区划分与好友推荐算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 社交网络研究现状 | 第11-12页 |
| 1.2.2 智能算法研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 相关理论综述 | 第16-28页 |
| 2.1 社交网络 | 第16-19页 |
| 2.1.1 社交网络的原理 | 第16-18页 |
| 2.1.2 社交网络的特性与影响力 | 第18-19页 |
| 2.2 基于用户相似度的好友推荐算法 | 第19-22页 |
| 2.2.1 用户相似度计算 | 第20-22页 |
| 2.2.2 推荐算法的组成 | 第22页 |
| 2.3 社区结构划分算法 | 第22-25页 |
| 2.3.1 GN算法 | 第23-24页 |
| 2.3.2 Kernighan-lin算法 | 第24页 |
| 2.3.3 Newman算法 | 第24-25页 |
| 2.4 标准粒子群算法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于次优经验粒子群的网络社区划分方法 | 第28-45页 |
| 3.1 复杂网络社区划分问题的数学描述 | 第28页 |
| 3.2 复杂网络社区划分的评价标准 | 第28-29页 |
| 3.3 改进的粒子群算法 | 第29-33页 |
| 3.3.1 粒子群算法的参数设置 | 第29-30页 |
| 3.3.2 粒子群算法早熟现象分析 | 第30-31页 |
| 3.3.3 基于次优经验的粒子群算法 | 第31-33页 |
| 3.4 SEPSO在复杂网络社区划分中的应用 | 第33-36页 |
| 3.4.1 粒子编码方案 | 第33-34页 |
| 3.4.2 粒子更新策略 | 第34-35页 |
| 3.4.3 算法描述 | 第35-36页 |
| 3.5 实验环境与数据集 | 第36-40页 |
| 3.6 数值实验与结果分析 | 第40-44页 |
| 3.6.1 Zachary社会关系网 | 第40-42页 |
| 3.6.2 新浪微博关系网 | 第42-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第4章 基于改进社区划分的好友推荐算法研究 | 第45-55页 |
| 4.1 好友推荐算法思想 | 第45-46页 |
| 4.2 用户综合相似度计算 | 第46-47页 |
| 4.3 好友推荐算法的评价标准 | 第47-48页 |
| 4.3.1 查准率 | 第47-48页 |
| 4.3.2 查全率 | 第48页 |
| 4.3.3 F1指标 | 第48页 |
| 4.4 基于改进社区划分的好友推荐算法 | 第48-50页 |
| 4.4.1 数据预处理 | 第49页 |
| 4.4.2 算法描述与分析 | 第49-50页 |
| 4.5 数值试验与结果分析 | 第50-53页 |
| 4.6 本章小结 | 第53-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |
