| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 研究背景 | 第14-17页 |
| 1.2 研究目标 | 第17-19页 |
| 1.3 复杂网络数据挖掘中存在的问题 | 第19-21页 |
| 1.4 论文的主要贡献 | 第21-22页 |
| 1.5 论文组织结构 | 第22-24页 |
| 1.6 本章小结 | 第24-26页 |
| 第2章 相关研究工作综述 | 第26-40页 |
| 2.1 引言 | 第26页 |
| 2.2 为什么需要复杂网络的数据挖掘 | 第26-27页 |
| 2.3 复杂网络结构模式挖掘技术工作综述 | 第27-32页 |
| 2.3.1 复杂网络子图同构计算技术 | 第28-30页 |
| 2.3.2 复杂网络的图概述技术 | 第30-32页 |
| 2.4 复杂网络中传播动力学模型的研究现状 | 第32-34页 |
| 2.4.1 情感分类技术 | 第32-33页 |
| 2.4.2 信息传播模型及技术 | 第33-34页 |
| 2.5 复杂网络数据挖掘的相关研究项目 | 第34-37页 |
| 2.6 现有问题和不足 | 第37-39页 |
| 2.7 本章小结 | 第39-40页 |
| 第3章 复杂网络中的数据挖掘框架 | 第40-54页 |
| 3.1 引言 | 第40页 |
| 3.2 复杂网络数据挖掘框架研究的必要性及研究方法 | 第40-41页 |
| 3.3 复杂网络的数据模型 | 第41-48页 |
| 3.3.1 基本概念和定义 | 第41-44页 |
| 3.3.2 复杂网络的拓扑结构和特性 | 第44-46页 |
| 3.3.3 复杂网络的信息传播动力学行为 | 第46-48页 |
| 3.4 复杂网络数据挖掘的框架 | 第48-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第4章 基于虚连接和实连接的复杂网络概述方法 | 第54-82页 |
| 4.1 引言 | 第54-56页 |
| 4.2 虚拟图模型的提出 | 第56-63页 |
| 4.2.1 复杂网络中带属性的图模型 | 第56-59页 |
| 4.2.2 虚拟图中节点的分类 | 第59-63页 |
| 4.3 基于虚连接和实连接的复杂网络概述算法SGVR | 第63-68页 |
| 4.3.1 算法概述 | 第63-65页 |
| 4.3.2 基于相似连接同构的分类方法 | 第65-67页 |
| 4.3.3 算法效率的评估 | 第67-68页 |
| 4.4 面向群组的算法优化 | 第68-74页 |
| 4.4.1 针对分类优化的节点调整 | 第68-73页 |
| 4.4.2 优化的有效性评估 | 第73-74页 |
| 4.5 实验结果与性能评估 | 第74-78页 |
| 4.5.1 实验数据集及评价指标 | 第74-76页 |
| 4.5.2 算法的有效性和性能评估 | 第76-78页 |
| 4.6 本章小结 | 第78-82页 |
| 第5章 基于邻接树的复杂网络查找方法 | 第82-108页 |
| 5.1 引言 | 第82-85页 |
| 5.2 问题定义与描述 | 第85-86页 |
| 5.3 基于模式匹配的算法框架及其性能评估 | 第86-92页 |
| 5.3.1 基于模式匹配的算法框架 | 第86-90页 |
| 5.3.2 不同邻近模式的性能评估 | 第90-92页 |
| 5.4 基于邻接树的索引构建 | 第92-99页 |
| 5.4.1 邻接树结构 | 第92-97页 |
| 5.4.2 索引构建 | 第97-99页 |
| 5.5 查询过程重构 | 第99-101页 |
| 5.5.1 邻接树的连接操作 | 第99页 |
| 5.5.2 查询顺序的优化 | 第99-101页 |
| 5.6 实验结果及性能评估 | 第101-106页 |
| 5.6.1 真实网络数据集 | 第101-104页 |
| 5.6.2 人造数据集 | 第104-106页 |
| 5.7. 本章小结 | 第106-108页 |
| 第6章 基于情感分析的复杂网络传播动力学模型 | 第108-138页 |
| 6.1 引言 | 第108-110页 |
| 6.2 相关研究基础 | 第110-114页 |
| 6.2.1 传统的传染病传播动力学模型 | 第110-112页 |
| 6.2.2 典型的免疫策略 | 第112-114页 |
| 6.3 问题描述 | 第114-116页 |
| 6.4 基于情感分析的SIS模型 | 第116-124页 |
| 6.4.1 基本概念 | 第117-120页 |
| 6.4.2 基于情感分析的SIS模型的提出 | 第120-121页 |
| 6.4.3 临界值λ_c与免疫者最终密度r_f的计算 | 第121-124页 |
| 6.5 实验分析及评估 | 第124-136页 |
| 6.5.1 人工网络数据集 | 第124-126页 |
| 6.5.2 真实社交网络数据集 | 第126-133页 |
| 6.5.3 临界值λ_c与免疫者最终密度r_f的实验结果 | 第133-134页 |
| 6.5.4 模型实验效果的评估 | 第134-136页 |
| 6.6 本章小结 | 第136-138页 |
| 第7章 结论和展望 | 第138-144页 |
| 7.1 论文工作总结 | 第138-140页 |
| 7.1.1 论文主要研究工作 | 第138-140页 |
| 7.1.2 论文创新点 | 第140页 |
| 7.2 进一步研究方向 | 第140-141页 |
| 7.3 未来工作展望 | 第141-144页 |
| 参考文献 | 第144-162页 |
| 攻读博士学位期间主要的研究成果 | 第162-166页 |
| 致谢 | 第166-167页 |
