| 摘要 | 第2-3页 |
| abstract | 第3页 |
| 第一章 绪论 | 第6-14页 |
| 1.1 研究背景与意义 | 第6-8页 |
| 1.1.1 微博好友推荐的研究背景与意义 | 第6-7页 |
| 1.1.2 重叠社区发现的研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 好友推荐的国内外研究现状 | 第8-10页 |
| 1.2.2 重叠社区发现的国内外研究现状 | 第10-11页 |
| 1.3 本文研究的主要内容 | 第11-12页 |
| 1.4 论文主体结构 | 第12-14页 |
| 第二章 相关原理和技术 | 第14-26页 |
| 2.1 复杂网络 | 第14-20页 |
| 2.1.1 复杂网络的表示方法 | 第15-16页 |
| 2.1.2 概念 | 第16-18页 |
| 2.1.3 社会网络的基本特征 | 第18-19页 |
| 2.1.4 团 | 第19-20页 |
| 2.2 社区发现主要方法概述 | 第20-22页 |
| 2.2.1 层次聚类社区发现方法 | 第20页 |
| 2.2.2 基于团的方法 | 第20-21页 |
| 2.2.3 基于极大团的层次聚类与重叠社区发现算法 | 第21-22页 |
| 2.3 主题模型 | 第22-24页 |
| 2.3.1 词频-逆文档频率(TF-IDF) | 第22-23页 |
| 2.3.2 LDA模型 | 第23-24页 |
| 2.4 相似度计算方法 | 第24-25页 |
| 2.4.1 欧几里得距离 | 第24页 |
| 2.4.2 夹角余弦 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于重叠社区发现的微博好友推荐算法 | 第26-33页 |
| 3.1 极大团列表 | 第26页 |
| 3.2 标签相似度矩阵 | 第26-28页 |
| 3.2.1 用户标签相似度矩阵 | 第27-28页 |
| 3.2.2 社团标签相似度矩阵 | 第28页 |
| 3.3 改进的EAGLE算法 | 第28-31页 |
| 3.4 基于用户微博的主题相似性计算 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 算法的实现 | 第33-46页 |
| 4.1 基于重叠社区发现的好友推荐算法整体框架 | 第33页 |
| 4.2 重叠社区发现流程图 | 第33页 |
| 4.3 网络节点初始化 | 第33-34页 |
| 4.4 寻找所有极大团 | 第34-36页 |
| 4.5 得到标签相似度矩阵 | 第36-39页 |
| 4.6 得到社区划分集合 | 第39-43页 |
| 4.7 主题相似性计算流程图 | 第43页 |
| 4.8 主题模型生成 | 第43-45页 |
| 4.9 本章小结 | 第45-46页 |
| 第五章 实验结果与分析 | 第46-55页 |
| 5.1 数据集描述 | 第46页 |
| 5.2 实验过程 | 第46-52页 |
| 5.2.1 实验环境介绍以及数据库设计 | 第46-47页 |
| 5.2.2 社区发现的实现 | 第47-49页 |
| 5.2.3 用LDA主题模型计算微博相似性 | 第49-52页 |
| 5.3 好友推荐准确率 | 第52-53页 |
| 5.4 系统展示 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-56页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士研究生期间发表的论文 | 第59-60页 |
| 致谢 | 第60-61页 |