| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第11-27页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.2.1 理论研究意义 | 第12页 |
| 1.2.2 应用研究价值 | 第12-13页 |
| 1.3 本文的研究问题 | 第13-17页 |
| 1.3.1 社交网络中的用户行为建模 | 第15-16页 |
| 1.3.2 用户行为驱动的社交网络演化推断 | 第16-17页 |
| 1.3.3 用户行为驱动的社交网络演化预测 | 第17页 |
| 1.4 国内外研究现状 | 第17-23页 |
| 1.4.1 社交网络的演化机制与规律研究 | 第18-19页 |
| 1.4.2 社交网络的演化预测方法 | 第19-21页 |
| 1.4.3 社交链接的属性研究 | 第21-22页 |
| 1.4.4 社交网络中的用户行为建模 | 第22-23页 |
| 1.5 本文的主要内容 | 第23-26页 |
| 1.6 本文的组织结构 | 第26-27页 |
| 第2章 社交链接产生方向推断 | 第27-57页 |
| 2.1 引言 | 第27-29页 |
| 2.2 真实有向网络中的方向模式 | 第29-35页 |
| 2.2.1 地位模式 | 第30-31页 |
| 2.2.2 传递模式 | 第31-32页 |
| 2.2.3 趋同模式 | 第32-34页 |
| 2.2.4 效仿模式 | 第34-35页 |
| 2.3 无监督的链接产生方向推断方法 | 第35-44页 |
| 2.3.1 方向模式背离度 | 第35-37页 |
| 2.3.2 Re Direct优化框架 | 第37-38页 |
| 2.3.3 基于Re Direct的推断算法 | 第38-44页 |
| 2.4 有监督的链接方向推断方法 | 第44-46页 |
| 2.4.1 半监督的推断方法 | 第44-45页 |
| 2.4.2 自监督的推断方法 | 第45-46页 |
| 2.5 实验评测 | 第46-51页 |
| 2.5.1 实验数据 | 第46-47页 |
| 2.5.2 评测算法 | 第47页 |
| 2.5.3 方向推断正确率对比 | 第47-49页 |
| 2.5.4 各个模式约束的效果分析 | 第49页 |
| 2.5.5 监督学习的效果分析 | 第49-51页 |
| 2.6 在链接预测中的应用与实验评测 | 第51-55页 |
| 2.6.1 社交链接预测 | 第51-52页 |
| 2.6.2 在真实有向网络数据集上的实验结果 | 第52-54页 |
| 2.6.3 在真实无向网络数据集上的实验结果 | 第54-55页 |
| 2.7 小结 | 第55-57页 |
| 第3章 社交网络演化过程推断 | 第57-83页 |
| 3.1 引言 | 第57-58页 |
| 3.2 链接产生原因推断方法 | 第58-66页 |
| 3.2.1 交友行为的产生过程 | 第59-60页 |
| 3.2.2 交友行为生成模型La FT-LDA | 第60-62页 |
| 3.2.3 La FT-LDA模型的推断算法 | 第62-66页 |
| 3.3 网络演化过程的表达与推断方法 | 第66-72页 |
| 3.3.1 潜在朋友关系传递树La FT-Tree | 第66-69页 |
| 3.3.2 La FT-Tree的推断算法 | 第69-72页 |
| 3.4 实验评测 | 第72-77页 |
| 3.4.1 合成数据集 | 第72-73页 |
| 3.4.2 真实数据集 | 第73页 |
| 3.4.3 基准方法 | 第73-74页 |
| 3.4.4 合成数据集上的实验结果 | 第74-75页 |
| 3.4.5 真实数据集上的实验结果 | 第75-77页 |
| 3.4.6 实例分析 | 第77页 |
| 3.5 La FT-Tree的应用 | 第77-82页 |
| 3.5.1 La FT近似度 | 第77-79页 |
| 3.5.2 La FT模式 | 第79-81页 |
| 3.5.3 La FT中心度度量族 | 第81-82页 |
| 3.6 小结 | 第82-83页 |
| 第4章 基于用户行为的社交链接预测 | 第83-109页 |
| 4.1 引言 | 第83-85页 |
| 4.2 兴趣感知的交友行为模型及其推断算法 | 第85-92页 |
| 4.2.1 兴趣感知的LFPM模型 | 第85-89页 |
| 4.2.2 LFPM模型的推断算法 | 第89-91页 |
| 4.2.3 演化网络上LFPM模型的级联推断 | 第91-92页 |
| 4.3 潜在朋友关系传播网络LFPN | 第92-95页 |
| 4.4 基于LFPN的社交链接预测算法 | 第95-99页 |
| 4.5 实验评测 | 第99-108页 |
| 4.5.1 实验数据集 | 第99页 |
| 4.5.2 基准算法与评测方法 | 第99-101页 |
| 4.5.3 预测性能比较 | 第101-103页 |
| 4.5.4 知识累积的效果分析 | 第103-105页 |
| 4.5.5 协同影响的效果分析 | 第105-106页 |
| 4.5.6 兴趣感知的效果分析 | 第106-107页 |
| 4.5.7 收敛速度分析 | 第107-108页 |
| 4.6 小结 | 第108-109页 |
| 第5章 连续时间域上的用户行为建模与预测 | 第109-141页 |
| 5.1 引言 | 第109-111页 |
| 5.2 动态建模的意义 | 第111-114页 |
| 5.3 连续时域上的行为模型及其推断算法 | 第114-124页 |
| 5.3.1 动态偏好空间 | 第115-116页 |
| 5.3.2 动态行为生成模型Con Tyor | 第116-121页 |
| 5.3.3 DPS函数的实现 | 第121-122页 |
| 5.3.4 Con Tyor模型的推断算法 | 第122-124页 |
| 5.4 动态行为预测方法 | 第124-125页 |
| 5.5 Con Tyor模型的应用场景 | 第125-126页 |
| 5.6 实验分析与评测 | 第126-140页 |
| 5.6.1 基准方法 | 第126-127页 |
| 5.6.2 实验数据集 | 第127-128页 |
| 5.6.3 评测方法 | 第128-129页 |
| 5.6.4 偏好推断实验结果 | 第129-130页 |
| 5.6.5 行为预测实验结果 | 第130-133页 |
| 5.6.6 DPS函数分析 | 第133-135页 |
| 5.6.7 动态建模效果分析 | 第135-137页 |
| 5.6.8 效率分析 | 第137-138页 |
| 5.6.9 参数分析 | 第138-139页 |
| 5.6.10 实例分析 | 第139-140页 |
| 5.7 小结 | 第140-141页 |
| 第6章 社交网络演化分析原型系统 | 第141-155页 |
| 6.1 系统简介 | 第141-142页 |
| 6.2 体系结构与技术原理 | 第142-146页 |
| 6.2.1 数据管理层 | 第143页 |
| 6.2.2 演化推断层 | 第143-144页 |
| 6.2.3 结构分析层 | 第144-145页 |
| 6.2.4 演化预测层 | 第145-146页 |
| 6.2.5 交互展现层 | 第146页 |
| 6.3 功能展示 | 第146-154页 |
| 6.3.1 网络演化过程分析 | 第147-149页 |
| 6.3.2 网络静态结构分析 | 第149-151页 |
| 6.3.3 网络演化趋势预测 | 第151-154页 |
| 6.4 小结 | 第154-155页 |
| 第7章 总结与展望 | 第155-158页 |
| 7.1 本文工作总结 | 第155-156页 |
| 7.2 未来工作展望 | 第156-158页 |
| 参考文献 | 第158-166页 |
| 致谢 | 第166-168页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第168-170页 |