基于矩阵分解方法的社区结构划分算法研究
| 中文摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-25页 |
| 1.1 引言 | 第11-12页 |
| 1.2 社区划分的研究背景 | 第12-19页 |
| 1.3 社区划分的研究意义 | 第19-20页 |
| 1.4 本文的研究动机 | 第20-21页 |
| 1.5 本文的研究工作 | 第21-22页 |
| 1.6 论文的结构 | 第22-25页 |
| 第二章 研究基础 | 第25-37页 |
| 2.1 节点社区划分算法 | 第25-34页 |
| 2.1.1 非重叠社区划分算法 | 第25-29页 |
| 2.1.2 重叠社区划分算法 | 第29-34页 |
| 2.2 链接社区划分算法 | 第34-35页 |
| 2.3 社区划分评价标准 | 第35-36页 |
| 2.4 结论 | 第36-37页 |
| 第三章 基于全局和局部视角的节点社区划分 | 第37-51页 |
| 3.1 引言 | 第37-38页 |
| 3.2 算法框架 | 第38-39页 |
| 3.3 基于全局和局部视角的社区划分 | 第39-43页 |
| 3.3.1 网络的全局信息 | 第39-40页 |
| 3.3.2 网络的局部信息 | 第40-41页 |
| 3.3.3 基于全局和局部视角的优化模型 | 第41页 |
| 3.3.4 参数学习 | 第41-43页 |
| 3.4 实验 | 第43-50页 |
| 3.4.1 参加对比的算法 | 第43页 |
| 3.4.2 评价标准 | 第43-44页 |
| 3.4.3 人工数据集 | 第44-47页 |
| 3.4.4 现实世界中的真实网络 | 第47页 |
| 3.4.5 参数分析 | 第47-50页 |
| 3.5 结论 | 第50-51页 |
| 第四章 基于初始策略的快速节点社区划分 | 第51-71页 |
| 4.1 引言 | 第51-52页 |
| 4.2 算法框架 | 第52-53页 |
| 4.2.1 IBNMF社区划分算法的框架 | 第52页 |
| 4.2.2 节点社区划分 | 第52-53页 |
| 4.3 贝叶斯社区发现 | 第53-57页 |
| 4.4 基于非负奇异值的初始化算法 | 第57-60页 |
| 4.4.1 当前主要的初始化方法 | 第57页 |
| 4.4.2 非负奇异值分解基础概念 | 第57-59页 |
| 4.4.3 基于非负奇异值分解的初始化方法步骤 | 第59-60页 |
| 4.5 实验 | 第60-70页 |
| 4.5.1 人工生成网络 | 第61-66页 |
| 4.5.2 现实世界中的真实网络 | 第66-70页 |
| 4.6 结论 | 第70-71页 |
| 第五章 基于多步相似度的链接社区划分 | 第71-89页 |
| 5.1 引言 | 第71-72页 |
| 5.2 基于多步相似度的链接社区划分算法描述 | 第72-78页 |
| 5.2.1 多步相似度方法 | 第72-73页 |
| 5.2.2 网络生成模型 | 第73-74页 |
| 5.2.3 参数学习 | 第74-76页 |
| 5.2.4 链接社区划分示例 | 第76-78页 |
| 5.3 实验 | 第78-88页 |
| 5.3.1 评价标准 | 第78页 |
| 5.3.2 人工数据集 | 第78-82页 |
| 5.3.3 不带标签信息的真实网络 | 第82-84页 |
| 5.3.4 带标签信息的真实网络 | 第84-86页 |
| 5.3.5 参数分析 | 第86-88页 |
| 5.4 结论 | 第88-89页 |
| 总结与展望 | 第89-91页 |
| 参考文献 | 第91-103页 |
| 发表论文和参加科研情况说明 | 第103-105页 |
| 致谢 | 第105-106页 |
