基于用户行为分析的社区发现技术研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-19页 |
| 第二章 复杂网络与社区发现相关技术 | 第19-26页 |
| 2.1 复杂网络 | 第19-21页 |
| 2.1.1 复杂网络概述 | 第19-20页 |
| 2.1.2 异质网络 | 第20-21页 |
| 2.2 社区发现技术 | 第21-24页 |
| 2.2.1 基于成员的社区发现 | 第22-23页 |
| 2.2.2 基于群组的社区发现 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 基于随机游走的社区发现算法 | 第26-33页 |
| 3.1 引言 | 第26页 |
| 3.2 随机游走模型 | 第26-28页 |
| 3.3 算法说明 | 第28-30页 |
| 3.4 实验分析 | 第30-32页 |
| 3.4.1 实验数据集 | 第30-31页 |
| 3.4.2 评价标准 | 第31页 |
| 3.4.3 实验结果 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 社交网络中用户关系评估模型 | 第33-43页 |
| 4.1 引言 | 第33-34页 |
| 4.2 基于用户显性关系的静态拓扑结构 | 第34-35页 |
| 4.3 基于用户行为的用户相似度衡量 | 第35-39页 |
| 4.3.1 社交网络分析 | 第35页 |
| 4.3.2 LDA主题模型 | 第35-37页 |
| 4.3.3 使用LDA和标签分析用户行为数据 | 第37-38页 |
| 4.3.4 使用KL距离度量用户相似度 | 第38-39页 |
| 4.4 综合的用户关系强度评估 | 第39-41页 |
| 4.4.1 基于用户拓扑关系的用户关系强度 | 第39-40页 |
| 4.4.2 基于用户行为兴趣的用户关系强度 | 第40页 |
| 4.4.3 用户关系强度模型 | 第40-41页 |
| 4.5 本章小结 | 第41-43页 |
| 第五章 融合链接和行为信息的社区发现及实验分析 | 第43-52页 |
| 5.1 引言 | 第43页 |
| 5.2 社区发现算法总体思路 | 第43-45页 |
| 5.2.1 网络抽样处理 | 第43-44页 |
| 5.2.2 社区划分算法选择 | 第44-45页 |
| 5.3 算法框架 | 第45-47页 |
| 5.4 算法实验分析 | 第47-51页 |
| 5.4.1 本文实验数据集 | 第47-48页 |
| 5.4.2 评价标准 | 第48页 |
| 5.4.3 实验结果分析 | 第48-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 本文主要工作 | 第52-53页 |
| 6.2 未来展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文目录 | 第58页 |
