| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 微博发展现状 | 第12-13页 |
| 1.2.2 复杂网络的社区 | 第13-14页 |
| 1.2.3 社区挖掘技术概述 | 第14-16页 |
| 1.3 研究内容及结构安排 | 第16-18页 |
| 1.3.1 研究工作及创新点 | 第16-17页 |
| 1.3.2 全文结构安排 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 微博相关研究工作 | 第19-30页 |
| 2.1 微博客 | 第19-21页 |
| 2.1.1 微博中的用户社区 | 第19-20页 |
| 2.1.2 微博社区发现算法 | 第20-21页 |
| 2.2 数据采集 | 第21-25页 |
| 2.2.1 爬虫设计 | 第22-23页 |
| 2.2.2 数据结构设计 | 第23-25页 |
| 2.3 拓扑结构分析 | 第25-27页 |
| 2.3.1 节点度分布 | 第25-26页 |
| 2.3.2 节点影响力 | 第26-27页 |
| 2.4 关键词抽取与降维 | 第27-29页 |
| 2.4.1 关键词抽取 | 第27页 |
| 2.4.2 关键词降维 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于非负矩阵分解的社区发现 | 第30-37页 |
| 3.1 非负矩阵分解 | 第30-31页 |
| 3.1.1 非负矩阵分解定义 | 第30页 |
| 3.1.2 矩阵的迹及其性质 | 第30-31页 |
| 3.1.3 NMF在社区发现中的应用 | 第31页 |
| 3.2 基于C-NMF的社区发现 | 第31-33页 |
| 3.2.1 C-NMF建模 | 第31-32页 |
| 3.2.2 基于SVD的初始化 | 第32页 |
| 3.2.3 交替最小二乘法 | 第32-33页 |
| 3.3 基于WNMF的社区发现 | 第33-34页 |
| 3.3.1 加权的矩阵分解建模 | 第33页 |
| 3.3.2 随机梯度下降法 | 第33-34页 |
| 3.4 实验结果和算法分析 | 第34-36页 |
| 3.4.1 实验结果 | 第34-35页 |
| 3.4.2 算法分析 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于非负张量分解的社区发现 | 第37-50页 |
| 4.1 张量的概念与相关运算 | 第37-43页 |
| 4.1.1 张量的概念和符号说明 | 第37-38页 |
| 4.1.2 矩阵和张量相关运算 | 第38-40页 |
| 4.1.3 张量的秩与CP分解 | 第40-41页 |
| 4.1.4 非负Tucker分解(NTF) | 第41-42页 |
| 4.1.5 基于张量的多维数据分析 | 第42-43页 |
| 4.2 基于NTF的社区发现算法 | 第43-47页 |
| 4.2.1 基于NTF的社区发现建模 | 第43-45页 |
| 4.2.2 核心张量与矩阵的初始化 | 第45-46页 |
| 4.2.3 基于ALS的NTF (ALS-NTF) | 第46页 |
| 4.2.4 基于SGD的NTF (SGD-NTF) | 第46-47页 |
| 4.3 改进的社区发现模型(RNTF) | 第47-49页 |
| 4.3.1 带正则项的张量模型(RNTF) | 第47页 |
| 4.3.2 改进的随机梯度下降(ISGD-RNTF) | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 实验结果分析与算法衡量 | 第50-58页 |
| 5.1 实验结果及社区效果评估 | 第50-55页 |
| 5.1.1 社区主题相似度 | 第50-51页 |
| 5.1.2 社区合并 | 第51页 |
| 5.1.3 重叠社区模块度 | 第51-53页 |
| 5.1.4 微博中的用户社区 | 第53-55页 |
| 5.2 算法分析 | 第55-57页 |
| 5.3 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 论文工作总结 | 第58-59页 |
| 6.2 不足与展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的论文 | 第63页 |
