一种基于贝叶斯网络的社交网络链路预测算法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 本文研究背景与研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 1.4 论文组织结构 | 第17-20页 |
| 第二章 理论知识与技术背景 | 第20-40页 |
| 2.1 链路预测相关理论 | 第20-26页 |
| 2.1.1 链路预测问题描述与评估指标 | 第20-22页 |
| 2.1.2 常见链路预测算法 | 第22-26页 |
| 2.2 贝叶斯网络相关理论 | 第26-35页 |
| 2.2.1 贝叶斯概率统计 | 第26-29页 |
| 2.2.2 贝叶斯网络理论基础 | 第29-30页 |
| 2.2.3 贝叶斯网络结构学习 | 第30-32页 |
| 2.2.4 贝叶斯网络参数学习 | 第32-34页 |
| 2.2.5 贝叶斯网络推导 | 第34-35页 |
| 2.3 最大期望算法(EM算法) | 第35-38页 |
| 2.4 本章小结 | 第38-40页 |
| 第三章 基于贝叶斯网络的链路预测算法 | 第40-50页 |
| 3.1 现有链路预测算法及缺陷 | 第40页 |
| 3.2 基于贝叶斯网络的链路预测算法 | 第40-48页 |
| 3.2.1 “相似性”特征提取 | 第41-44页 |
| 3.2.2 特征离散化 | 第44页 |
| 3.2.3 贝叶斯网络结构学习算法 | 第44-46页 |
| 3.2.4 基于EM算法的贝叶斯网络参数学习算法 | 第46-48页 |
| 3.3 本章小结 | 第48-50页 |
| 第四章 实验与结论 | 第50-60页 |
| 4.1 实验准备 | 第50-51页 |
| 4.1.1 实验数据 | 第50页 |
| 4.1.2 实验工具 | 第50-51页 |
| 4.2 实验方案与数据分析 | 第51-58页 |
| 4.2.1 实验方案 | 第51页 |
| 4.2.2 数据集划分 | 第51-53页 |
| 4.2.3 实验结果与分析 | 第53-58页 |
| 4.3 本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |
