| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 引言 | 第9页 |
| 1.2 研究目的与意义 | 第9-10页 |
| 1.3 国内外研究现状与存在问题 | 第10-14页 |
| 1.3.1 国内研究现状 | 第10-12页 |
| 1.3.2 国外研究现状 | 第12-13页 |
| 1.3.3 存在问题分析 | 第13-14页 |
| 1.4 研究内容 | 第14页 |
| 1.5 组织结构 | 第14-16页 |
| 1.6 本章小结 | 第16-17页 |
| 第2章 基于网络边图的社区发现研究 | 第17-29页 |
| 2.1 相关概念 | 第17页 |
| 2.2 GN算法及其已有改进 | 第17-19页 |
| 2.3 基于网络边图的社区发现算法研究 | 第19-22页 |
| 2.3.1 基于图的关联矩阵构造边图 | 第19-20页 |
| 2.3.2 基于边图构造相似度 | 第20页 |
| 2.3.3 基于网络边图的社区发现算法思想 | 第20-22页 |
| 2.4 基于网络边图的社区发现算法并行化研究 | 第22-28页 |
| 2.4.1 Spark相关技术 | 第22-24页 |
| 2.4.2 基于网络边图社区发现算法并行化的可能性 | 第24页 |
| 2.4.3 基于网络边图社区发现算法并行化设计 | 第24-28页 |
| 2.4.4 算法复杂度分析 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于UIR的社区发现算法研究 | 第29-43页 |
| 3.1 基于局部模块度的社区发现算法 | 第29-30页 |
| 3.2 基于UIR的社区发现算法的研究 | 第30-36页 |
| 3.2.1 社交网络影响力的概念 | 第30页 |
| 3.2.2 社交网络用户影响力因子 | 第30-31页 |
| 3.2.3 基于PageRank的用户影响力研究 | 第31-35页 |
| 3.2.4 基于UIR的社区发现算法思想 | 第35-36页 |
| 3.3 基于UIR的社区发现算法的并行化研究 | 第36-41页 |
| 3.3.1 基于UIR的社区发现算法并行化的可能性 | 第37页 |
| 3.3.2 基于UIR的社区发现算法的并行化设计 | 第37-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 社交网络可视化研究 | 第43-54页 |
| 4.1 可视化概念 | 第43-44页 |
| 4.2 力导向布局算法 | 第44-47页 |
| 4.2.1 力导向布局算法概述及优缺点分析 | 第44-45页 |
| 4.2.2 力导向布局算法思想 | 第45-47页 |
| 4.3 力导向算法并行化研究 | 第47-50页 |
| 4.4 基于社区结构的社交网络可视化研究 | 第50-53页 |
| 4.4.1 大规模社交网络可视化基本方法 | 第50-51页 |
| 4.4.2 基于社区结构的分层可视化 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 Spark下基于社区发现的社交网络可视化实现及分析 | 第54-65页 |
| 5.1 实验平台 | 第54-55页 |
| 5.1.1 硬件环境 | 第54页 |
| 5.1.2 软件环境 | 第54-55页 |
| 5.2 算法实验与分析 | 第55-57页 |
| 5.2.1 实验数据源介绍 | 第55页 |
| 5.2.2 并行化算法加速比测试与分析 | 第55-56页 |
| 5.2.3 两个社区发现算法比较分析 | 第56-57页 |
| 5.3 基于社区结构的社交网络可视化实验与分析 | 第57-64页 |
| 5.3.1 布局过程可视化 | 第57-59页 |
| 5.3.2 社区结果可视化 | 第59-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65-66页 |
| 6.2 工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间参加科研项目情况 | 第71页 |
