复杂网络数据模式挖掘与演化分析研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第16-32页 |
| 1.1 论文的研究背景 | 第17-18页 |
| 1.2 论文的研究目标与意义 | 第18-20页 |
| 1.3 网络数据分析挖掘的研究进展 | 第20-27页 |
| 1.3.1 社团结构检测 | 第20-22页 |
| 1.3.2 网络节点中心性度量 | 第22-24页 |
| 1.3.3 链路预测与网络演化 | 第24-26页 |
| 1.3.4 信息传播演化分析与建模 | 第26-27页 |
| 1.4 面临的问题和挑战 | 第27-29页 |
| 1.5 论文主要内容与章节安排 | 第29-32页 |
| 1.5.1 主要研究内容与创新点 | 第29-30页 |
| 1.5.2 论文章节安排 | 第30-32页 |
| 第二章 网络结构检测分析研究 | 第32-50页 |
| 2.1 基本标记传播算法 | 第32-33页 |
| 2.2 基于标记传播的网络结构检测算法 | 第33-40页 |
| 2.2.1 标记传播与节点角色 | 第33-35页 |
| 2.2.2 LINSIA社团检测算法 | 第35-38页 |
| 2.2.3 LINSIA算法时间复杂度 | 第38-40页 |
| 2.3 实验与结果分析 | 第40-49页 |
| 2.3.1 实验设计 | 第40-41页 |
| 2.3.2 初始标记影响力与自适应调控因子的影响 | 第41页 |
| 2.3.3 基于人工网络的算法性能评估 | 第41-42页 |
| 2.3.4 基于真实网络的算法性能评估 | 第42-48页 |
| 2.3.5 算法运行时间比较 | 第48-49页 |
| 2.4 本章小结 | 第49-50页 |
| 第三章 面向最优网络分裂的节点中心性度量研究 | 第50-75页 |
| 3.1 网络最优分裂问题定义 | 第50-51页 |
| 3.2 基于群体影响力的节点中心性研究 | 第51-61页 |
| 3.2.1 CI中心性分析 | 第51页 |
| 3.2.2 ECI中心性度量 | 第51-54页 |
| 3.2.3 ECI中心性时间复杂度 | 第54页 |
| 3.2.4 实验与结果分析 | 第54-61页 |
| 3.3 基于幂迭代的节点中心性度量研究 | 第61-74页 |
| 3.3.1 物质传播与热传导过程 | 第62-64页 |
| 3.3.2 物质传播与热传导过程特性分析 | 第64-66页 |
| 3.3.3 混合更新机制 | 第66-67页 |
| 3.3.4 PIRank中心性度量 | 第67-68页 |
| 3.3.5 实验与结果分析 | 第68-74页 |
| 3.4 本章小结 | 第74-75页 |
| 第四章 基于链路预测的动态网络演化预测研究 | 第75-88页 |
| 4.1 问题定义 | 第75-76页 |
| 4.2 演化预测模型 | 第76-80页 |
| 4.2.1 结构依赖的相似性度量 | 第76-77页 |
| 4.2.2 节点位置时空漂移模型 | 第77-80页 |
| 4.3 实验与结果分析 | 第80-87页 |
| 4.3.1 实验数据 | 第80-81页 |
| 4.3.2 相似性度量WSD的有效性 | 第81-83页 |
| 4.3.3 相似性度量WSD的鲁棒性 | 第83-85页 |
| 4.3.4 时空位置漂移模型的有效性 | 第85-87页 |
| 4.4 本章小结 | 第87-88页 |
| 第五章 在线社交网络信息传播过程演化预测研究 | 第88-103页 |
| 5.1 问题定义 | 第88-89页 |
| 5.2 演化预测模型 | 第89-95页 |
| 5.2.1 本地影响力量化 | 第90-91页 |
| 5.2.2 微观转发行为建模 | 第91-92页 |
| 5.2.3 基于标记传播的全局传播预测 | 第92-95页 |
| 5.3 实验与结果分析 | 第95-102页 |
| 5.3.1 实验设计 | 第95-96页 |
| 5.3.2 转发估计模型选择与特征分析 | 第96-97页 |
| 5.3.3 微观转发行为估计与驱动机制分析 | 第97-101页 |
| 5.3.4 宏观信息传播预测 | 第101-102页 |
| 5.4 本章小结 | 第102-103页 |
| 第六章 总结与展望 | 第103-107页 |
| 6.1 本文研究工作总结 | 第103-105页 |
| 6.2 下一步研究思路 | 第105-107页 |
| 致谢 | 第107-108页 |
| 参考文献 | 第108-119页 |
| 攻读博士学位期间取得的成果 | 第119页 |
