| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 课题的研究意义与背景 | 第12-14页 |
| 1.1.1 在线社交网络概述 | 第12-13页 |
| 1.1.2 社会网络分析与社区发现 | 第13-14页 |
| 1.1.3 社区发现的意义 | 第14页 |
| 1.2 国内外相关研究工作 | 第14-16页 |
| 1.2.1 社会网络分析 | 第14-15页 |
| 1.2.2 社区发现 | 第15页 |
| 1.2.3 分布式计算技术 | 第15-16页 |
| 1.3 本文的研究内容 | 第16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第二章 社区发现的相关理论与技术 | 第17-28页 |
| 2.1 社区发现的模型抽象 | 第17-18页 |
| 2.2 经典的社区发现模型与方法 | 第18-20页 |
| 2.2.1 基于分裂方法的社区发现 | 第18页 |
| 2.2.2 基于聚类的社区发现 | 第18-20页 |
| 2.2.3 基于优化方法的社区发现 | 第20页 |
| 2.2.4 其它社区发现模型 | 第20页 |
| 2.3 内容相关的社区发现 | 第20-24页 |
| 2.3.1 概率主题模型 | 第21-22页 |
| 2.3.2 基于生成模型的社区发现 | 第22-24页 |
| 2.4 分布式计算技术与社区发现 | 第24-26页 |
| 2.5 社区发现评测方法介绍 | 第26-27页 |
| 2.6 本章小节 | 第27-28页 |
| 第三章 连续时间序列建模的社区发现算法 | 第28-35页 |
| 3.1 Link-LDA模型与TOT模型分析 | 第28-29页 |
| 3.2 Community Over Time(COT) 模型 | 第29-34页 |
| 3.2.1 模型假设与定义 | 第29-30页 |
| 3.2.2 模型推导 | 第30-33页 |
| 3.2.3 时间戳归一化策略 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 分布式社区发现方法 | 第35-41页 |
| 4.1 COT模型分析 | 第35-37页 |
| 4.1.1 COT模型的Gibbs采样估计 | 第35-36页 |
| 4.1.2 COT模型复杂度分析 | 第36-37页 |
| 4.2 COT模型的并行化 | 第37-39页 |
| 4.2.1 COT模型的并行化分析 | 第38-39页 |
| 4.2.2 并行化Gibbs采样算法 | 第39页 |
| 4.3 本章小节 | 第39-41页 |
| 第五章 基于隐狄利克雷分布的社区发现技术实现与分析 | 第41-52页 |
| 5.1 数据获取与准备 | 第41页 |
| 5.2 实验设计与实现 | 第41-45页 |
| 5.2.1 COT模型实验设计与实现 | 第41-43页 |
| 5.2.2 AD-COT模型实验设计与实现 | 第43-45页 |
| 5.3 实验结果分析 | 第45-50页 |
| 5.3.1 周期性社区发现 | 第45-47页 |
| 5.3.2 基于话题与演化规律的社区发现 | 第47-48页 |
| 5.3.3 分布式社区发现 | 第48-50页 |
| 5.4 本章小节 | 第50-52页 |
| 第六章 总结和展望 | 第52-54页 |
| 6.1 本文工作总结 | 第52页 |
| 6.2 研究工作展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 作者在学期间取得的学术成果 | 第58-59页 |
| 附录A COT模型中的公式推导 | 第59-62页 |