| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 课题研究背景与意义 | 第15-19页 |
| 1.1.1 社团检测的研究背景 | 第15-17页 |
| 1.1.2 社团检测的研究意义与存在的问题 | 第17-19页 |
| 1.2 国内外研究现状 | 第19-24页 |
| 1.2.1 常用复杂网络社团检测方法 | 第19-22页 |
| 1.2.2 具有节点属性的复杂网络社团检测研究进展 | 第22-23页 |
| 1.2.3 考虑先验信息的半监督复杂网络社团检测研究进展 | 第23-24页 |
| 1.3 本文主要研究内容与组织结构 | 第24-27页 |
| 第二章 社团检测相关概念 | 第27-37页 |
| 2.1 复杂网络与社团结构的符号化描述 | 第27-28页 |
| 2.2 社团结构的主要特性 | 第28-33页 |
| 2.2.1 子图内外连通度 | 第28-30页 |
| 2.2.2 节点的中心度 | 第30-31页 |
| 2.2.3 社团结构的模块度 | 第31-33页 |
| 2.3 社团检测的评价标准 | 第33-34页 |
| 2.4 基于非负矩阵分解的社团检测 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于低秩子空间学习的复杂网络社团检测 | 第37-57页 |
| 3.1 引言 | 第37-38页 |
| 3.2 基于低秩分解的子空间关联图的构造 | 第38-42页 |
| 3.2.1 网络拓扑到几何空间的映射 | 第39页 |
| 3.2.2 网络节点的低秩分解 | 第39-42页 |
| 3.2.3 网络节点的子空间关联图 | 第42页 |
| 3.3 基于节点子空间关联图的网络社团检测 | 第42-44页 |
| 3.4 实验结果与分析 | 第44-56页 |
| 3.4.1 GN合成网络实验 | 第44-45页 |
| 3.4.2 LFR合成网络实验 | 第45-47页 |
| 3.4.3 真实网络实验 | 第47-48页 |
| 3.4.4 子空间分析 | 第48-53页 |
| 3.4.5 层次结构分析 | 第53-54页 |
| 3.4.6 网络划分的一致性分析 | 第54页 |
| 3.4.7 参数分析 | 第54-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 基于双图正则化的属性网络社团检测 | 第57-77页 |
| 4.1 引言 | 第57-58页 |
| 4.2 基于双图正则化的属性网络社团检测模型 | 第58-62页 |
| 4.2.1 节点属性矩阵的非负矩阵分解 | 第58-59页 |
| 4.2.2 网络拓扑结构的正则化 | 第59-60页 |
| 4.2.3 属性相关性的正则化 | 第60-61页 |
| 4.2.4 基于双图正则化的属性网络社团检测目标函数 | 第61-62页 |
| 4.3 属性网络社团检测模型求解 | 第62-69页 |
| 4.3.1 模型求解过程 | 第63-67页 |
| 4.3.2 算法复杂度与收敛性分析 | 第67-69页 |
| 4.4 实验与应用 | 第69-76页 |
| 4.4.1 真实网络中的社团检测性能 | 第69-72页 |
| 4.4.2 模型鲁棒性测试 | 第72-73页 |
| 4.4.3 社团的属性意义 | 第73-75页 |
| 4.4.4 参数分析 | 第75-76页 |
| 4.5 本章小结 | 第76-77页 |
| 第五章 基于约束置信度学习的半监督社团检测 | 第77-92页 |
| 5.1 引言 | 第77-78页 |
| 5.2 基于约束置信度学习的半监督社团检测 | 第78-85页 |
| 5.2.1 一个演示的例子 | 第78-79页 |
| 5.2.2 链接约束置信度学习 | 第79-83页 |
| 5.2.3 基于LCRL的半监督社团检测 | 第83-85页 |
| 5.3 实验结果与分析 | 第85-91页 |
| 5.3.1 实验设置 | 第85-86页 |
| 5.3.2 性能比较 | 第86-89页 |
| 5.3.3 参数分析 | 第89-91页 |
| 5.4 本章小结 | 第91-92页 |
| 第六章 总结与展望 | 第92-96页 |
| 6.1 研究工作总结 | 第92-94页 |
| 6.2 下一步研究工作的展望 | 第94-96页 |
| 参考文献 | 第96-109页 |
| 攻读博士学位期间发表的学术论文 | 第109-111页 |
| 攻读博士学位期间参加的科研项目 | 第111-112页 |
| 致谢 | 第112-113页 |
