| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-12页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究意义 | 第8页 |
| 1.3 国内外研究现状 | 第8-10页 |
| 1.4 研究内容 | 第10页 |
| 1.5 篇章结构 | 第10-12页 |
| 第2章 社团发现概述 | 第12-21页 |
| 2.1 复杂网络相关概念 | 第12-15页 |
| 2.1.1 复杂网络的定义 | 第12-13页 |
| 2.1.2 复杂网络的统计特性 | 第13-14页 |
| 2.1.3 复杂网络中的社团结构 | 第14-15页 |
| 2.2 复杂网络的社团发现算法 | 第15-17页 |
| 2.2.1 Kernighan-Lin算法 | 第15-16页 |
| 2.2.2 GN算法 | 第16-17页 |
| 2.2.3 Newman快速算法 | 第17页 |
| 2.3 数据挖掘中聚类分析概述 | 第17-20页 |
| 2.3.1 聚类分析中的数据类型 | 第18-19页 |
| 2.3.2 聚类方法的分类 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于节点重要度的社团划分算法 | 第21-30页 |
| 3.1 节点重要度 | 第21-24页 |
| 3.1.1 网络的表示方法 | 第21-22页 |
| 3.1.2 本文相关定义 | 第22-24页 |
| 3.2 算法理论支持 | 第24-25页 |
| 3.2.1 谱平分算法 | 第24页 |
| 3.2.2 K-means算法 | 第24-25页 |
| 3.3 基于节点重要度的社团划分算法 | 第25-29页 |
| 3.3.1 网络数据转换 | 第25-26页 |
| 3.3.2 利用模块度确定k值 | 第26-27页 |
| 3.3.3 CDNIM算法 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第4章 CDNIM算法验证和应用 | 第30-47页 |
| 4.1 实验环境 | 第30页 |
| 4.2 实验方案 | 第30页 |
| 4.3 实验数据集 | 第30-35页 |
| 4.3.1 实验的数据集 | 第30-35页 |
| 4.3.2 数据转换 | 第35页 |
| 4.4 验证和应用 | 第35-46页 |
| 4.4.1 验证社团个数k值实验结果 | 第35-36页 |
| 4.4.2 CDNIM算法与经典算法实验结果对比与分析 | 第36-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 总结和展望 | 第47-49页 |
| 5.1 全文工作总结 | 第47页 |
| 5.2 研究展望 | 第47-49页 |
| 参考文献 | 第49-51页 |
| 附录 攻读硕士学位期间的工作成果 | 第51-52页 |
| 致谢 | 第52页 |