基于结构相似度的大规模社交网络聚类算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-17页 |
| 第一节 引言 | 第11页 |
| 第二节 研究背景 | 第11-14页 |
| ·社交网络发展现状 | 第11-12页 |
| ·网络聚类算法 | 第12-14页 |
| 第三节 选题意义 | 第14-15页 |
| 第四节 本文主要内容 | 第15页 |
| 第五节 论文组织结构 | 第15-17页 |
| 第二章 相关工作综述 | 第17-24页 |
| 第一节 网络聚类算法研究现状 | 第17-20页 |
| ·图划分方法 | 第17-18页 |
| ·基于模块度方法 | 第18页 |
| ·谱聚类方法 | 第18-19页 |
| ·网络聚类SCAN算法 | 第19-20页 |
| 第二节 有向网络聚类算法研究现状 | 第20-22页 |
| ·无向网络聚类算法扩展为有向网络聚类算法 | 第21页 |
| ·有向网络转化为无向网络再聚类 | 第21-22页 |
| 第三节 并行聚类算法研究现状 | 第22-23页 |
| 第四节 本章小结 | 第23-24页 |
| 第三章 基于结构相似度的有向网络聚类 | 第24-31页 |
| 第一节 有向网络转化为无向网络 | 第24-27页 |
| ·采用文献计量对称化 | 第24-26页 |
| ·采用度打折对称化 | 第26-27页 |
| ·采用随机游走对称化 | 第27页 |
| 第二节 直接有向网络聚类 | 第27-30页 |
| ·算法过程 | 第28-29页 |
| ·算法复杂度分析 | 第29-30页 |
| 第三节 本章小结 | 第30-31页 |
| 第四章 基于结构相似度的并行网络聚类算法 | 第31-52页 |
| 第一节 并行实现ε邻居识别 | 第31-36页 |
| ·对图进行划分处理 | 第31-33页 |
| ·数据预处理 | 第33-34页 |
| ·分布式ε邻居识别 | 第34-36页 |
| 第二节 并行ε邻居识别MapReduce实现 | 第36-39页 |
| ·MapReduce并行平台简介 | 第36页 |
| ·MapReduce上实现并行ε邻居识别 | 第36-39页 |
| 第三节 并行实现簇扩展 | 第39-43页 |
| ·算法设计 | 第39-40页 |
| ·保持标签一致性 | 第40-41页 |
| ·改进的并行簇扩展过程 | 第41-43页 |
| 第四节 并行簇识别的MapReduce实现 | 第43-45页 |
| 第五节 并行算法正确性分析 | 第45-49页 |
| 第六节 算法复杂度分析 | 第49-51页 |
| ·数据处理复杂度 | 第49-50页 |
| ·总体复杂度分析 | 第50-51页 |
| 第七节 本章小结 | 第51-52页 |
| 第五章 社交网络聚类应用性研究 | 第52-65页 |
| 第一节 有向社交网络结构分析 | 第52-59页 |
| ·实验数据 | 第52-53页 |
| ·实验对比方法 | 第53页 |
| ·评价指标介绍 | 第53-54页 |
| ·参数的选择 | 第54-55页 |
| ·结果分析 | 第55-59页 |
| 第二节 并行化社交网络分析 | 第59-64页 |
| ·实验数据 | 第60页 |
| ·评价指标介绍 | 第60-62页 |
| ·结果分析 | 第62-64页 |
| 第三节 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 第一节 工作总结 | 第65-66页 |
| 第二节 工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 个人简历 | 第72页 |
