分布式环境下基于语义的社团发现算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 社团发现算法的研究现状 | 第12-13页 |
| 1.2.2 分布式系统处理图数据的研究现状 | 第13页 |
| 1.2.3 问题提出 | 第13-14页 |
| 1.3 本文的主要工作与结构安排 | 第14-17页 |
| 1.3.1 主要工作 | 第14-15页 |
| 1.3.2 本文的组织结构 | 第15-17页 |
| 第2章 背景知识 | 第17-27页 |
| 2.1 社团发现的相关概念及定义 | 第17-19页 |
| 2.1.1 社团的概念及定义 | 第17页 |
| 2.1.2 社团的度及连接强度 | 第17-18页 |
| 2.1.3 社交网络的矩阵表示 | 第18页 |
| 2.1.4 语义树 | 第18-19页 |
| 2.2 典型的社团发现算法 | 第19-23页 |
| 2.2.1 基于模块度优化的社团发现算法 | 第19-22页 |
| 2.2.2 其他社团发现算法的介绍 | 第22-23页 |
| 2.3 Hadoop概述 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 大规模社团数据存储 | 第27-40页 |
| 3.1 社团数据存储的基本思想 | 第27-30页 |
| 3.1.1 社团数据存储策略 | 第27-28页 |
| 3.1.2 传统协同聚类算法具体步骤 | 第28-29页 |
| 3.1.3 传统协同聚类算法优缺点分析 | 第29-30页 |
| 3.2 基于MapReduce的社区存储算法 | 第30-38页 |
| 3.2.1 社区图数据存储格式 | 第30页 |
| 3.2.2 分布式协同聚类算法 | 第30-38页 |
| 3.3 算法分析 | 第38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 基于语义的分布式模块度优化算法 | 第40-57页 |
| 4.1 问题描述 | 第40-42页 |
| 4.1.1 分布式模块度算法描述 | 第40-41页 |
| 4.1.2 语义分析对社团发现的影响 | 第41-42页 |
| 4.2 基于语义的分布式模块度优化算法 | 第42-55页 |
| 4.2.1 语义树的建立 | 第43-46页 |
| 4.2.2 语义模型中的建立 | 第46-49页 |
| 4.2.3 基于语义初步划分的算法描述 | 第49页 |
| 4.2.4 分布式模块度算法描述 | 第49-55页 |
| 4.3 算法分析 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 实验结果与分析 | 第57-63页 |
| 5.1 实验环境与数据集 | 第57页 |
| 5.1.1 实验环境 | 第57页 |
| 5.1.2 实验数据集 | 第57页 |
| 5.2 实验方案 | 第57-59页 |
| 5.2.1 评价标准 | 第57-58页 |
| 5.2.2 分布式协同聚类算法实验 | 第58-59页 |
| 5.2.3 语义指导下的分布式模块度优化算法实验 | 第59页 |
| 5.3 实验结果与分析 | 第59-62页 |
| 5.3.1 分布式协同聚类算法的实验结果与分析 | 第59-60页 |
| 5.3.2 基于语义的模块度优化算法实验结果分析 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 下一步工作 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
