社会网络上的用户属性推测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题的研究背景及意义 | 第8-10页 |
| 1.2 问题规范化表示 | 第10页 |
| 1.3 研究现状与待解决问题 | 第10-13页 |
| 1.3.1 研究现状 | 第10-13页 |
| 1.3.2 待解决的问题 | 第13页 |
| 1.4 论文主要研究内容与组织结构 | 第13-16页 |
| 1.4.1 主要研究内容 | 第13-14页 |
| 1.4.2 组织结构 | 第14-16页 |
| 第2章 社交网络中用户属性推测问题描述 | 第16-23页 |
| 2.1 用户属性的标签表示 | 第16-17页 |
| 2.2 相关度量及评价方法 | 第17-18页 |
| 2.2.1 相关度量 | 第17-18页 |
| 2.2.2 评价方法 | 第18页 |
| 2.3 数据收集与实验数据集抽取 | 第18-23页 |
| 2.3.1 数据收集 | 第18-20页 |
| 2.3.2 数据集抽取 | 第20-23页 |
| 第3章 社交网络中用户属性推测相关方法 | 第23-34页 |
| 3.1 引言 | 第23页 |
| 3.2 经典网络结构数据的分类方法 | 第23-27页 |
| 3.2.1 SVM | 第24-25页 |
| 3.2.2 GNN | 第25页 |
| 3.2.3 CNM算法与LPA算法 | 第25-26页 |
| 3.2.4 IRN算法与LI算法 | 第26-27页 |
| 3.3 对比实验 | 第27-32页 |
| 3.3.1 用户学校数据集上的实验 | 第28-29页 |
| 3.3.2 用户学院数据集上的实验 | 第29-31页 |
| 3.3.3 用户性别数据集上的实验 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 基于自学习度量的边的同质性评价 | 第34-48页 |
| 4.1 引言 | 第34页 |
| 4.2 异质边对属性推测的影响 | 第34-38页 |
| 4.2.1 同质边与异质边 | 第34-35页 |
| 4.2.2 异质边的影响 | 第35页 |
| 4.2.3 验证实验及结论 | 第35-38页 |
| 4.3 边的同质性评价 | 第38-40页 |
| 4.3.1 常见的相似性度量 | 第38页 |
| 4.3.2 欧氏距离及扩展 | 第38-39页 |
| 4.3.3 自学习度量的应用 | 第39-40页 |
| 4.4 使用自学习度量对边降噪 | 第40-41页 |
| 4.5 实验 | 第41-47页 |
| 4.5.1 PR曲线实验 | 第41-44页 |
| 4.5.2 删边实验 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 跳数限制的近邻算法 | 第48-59页 |
| 5.1 前言 | 第48页 |
| 5.2 LI算法及其问题 | 第48-50页 |
| 5.2.1 LI算法流程 | 第48-49页 |
| 5.2.2 LI算法存在的问题 | 第49-50页 |
| 5.3 相关的工作 | 第50-52页 |
| 5.3.1 p RN | 第50-51页 |
| 5.3.2 δ-LPA | 第51页 |
| 5.3.3 MCL和Label Rank | 第51-52页 |
| 5.4 跳数限制的近邻算法 | 第52-54页 |
| 5.5 实验 | 第54-58页 |
| 5.5.1 算法稳定性实验 | 第54-56页 |
| 5.5.2 算法效果实验 | 第56-58页 |
| 5.6 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65页 |
