基于张量的复杂网络社区发现研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 复杂网络的社区发现 | 第11-13页 |
| 1.2.2 基于张量的多维数据分析 | 第13-14页 |
| 1.3 本文的研究内容和内容结构 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 内容结构 | 第15-16页 |
| 第二章 复杂网络和社区发现相关理论 | 第16-20页 |
| 2.1 图论 | 第16页 |
| 2.2 局部社区发现算法 | 第16-19页 |
| 2.2.1 非重叠社区发现算法 | 第17-18页 |
| 2.2.2 重叠社区发现算法 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 基于张量的复杂网络社区发现算法 | 第20-39页 |
| 3.1 研究目的 | 第20-21页 |
| 3.1.1 链接的加权抽象处理 | 第20页 |
| 3.1.2 复杂网络核心节点的挖掘 | 第20-21页 |
| 3.1.3 网络中节点的相对重要性度量 | 第21页 |
| 3.2 网络的定义和张量表示 | 第21-25页 |
| 3.2.1 多关系网络 | 第22-23页 |
| 3.2.2 网络的张量表示 | 第23-25页 |
| 3.3 基于张量马尔可夫链的概率估计模型 | 第25-30页 |
| 3.3.1 稳态马尔可夫链理论 | 第25-26页 |
| 3.3.2 基于随机游走的高阶马尔可夫链模型 | 第26-28页 |
| 3.3.3 适用性分析 | 第28-30页 |
| 3.4 基于选择概率的种子社区发现算法 | 第30-37页 |
| 3.4.1 基于链接相关性的核心种子挖掘 | 第31-33页 |
| 3.4.2 基于协同概率估计的节点选择模型 | 第33-37页 |
| 3.4.3 基于种子簇的社区发现算法 | 第37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 实验及结果分析 | 第39-48页 |
| 4.1 评价标准 | 第39-40页 |
| 4.1.1 F-measure | 第39页 |
| 4.1.2 NMI | 第39-40页 |
| 4.2 实验数据集和参数设置 | 第40-41页 |
| 4.3 结果分析 | 第41-47页 |
| 4.3.1 自适应参数的预估函数的应用分析 | 第42-43页 |
| 4.3.2 社区发现结果分析 | 第43-45页 |
| 4.3.3 算法的鲁棒性检验结果分析 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-49页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士学位期间取得的研究成果 | 第53-54页 |
| 致谢 | 第54-55页 |
| 附件 | 第55页 |
