基于统计推理的复杂网络广义社团检测算法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-22页 |
| 1.1 概述 | 第8-18页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 研究现状与分析 | 第11-16页 |
| 1.1.3 研究意义 | 第16-18页 |
| 1.2 研究工作与组织结构 | 第18-22页 |
| 1.2.1 课题来源 | 第18页 |
| 1.2.2 本文研究工作 | 第18-20页 |
| 1.2.3 本文组织结构 | 第20-22页 |
| 2 相关理论与应用 | 第22-34页 |
| 2.1 概述 | 第22页 |
| 2.2 网络的产生式模型 | 第22-26页 |
| 2.2.1 概述 | 第22-23页 |
| 2.2.2 随机分块模型 | 第23-24页 |
| 2.2.3 混合模型 | 第24-25页 |
| 2.2.4 隐含空间模型 | 第25-26页 |
| 2.3 参数估计算法 | 第26-29页 |
| 2.3.1 最大化似然度算法 | 第26-27页 |
| 2.3.2 EM算法 | 第27-29页 |
| 2.4 其他相关理论 | 第29-32页 |
| 2.4.1 图分割与社团检测 | 第29-30页 |
| 2.4.2 谱分割 | 第30页 |
| 2.4.3 模块度 | 第30-32页 |
| 2.5 小结 | 第32-34页 |
| 3 基于度修正随机分块模型的重叠社团检测 | 第34-48页 |
| 3.1 引言 | 第34-35页 |
| 3.2 度修正随机分块模型 | 第35-37页 |
| 3.3 重叠社团检测算法 | 第37-39页 |
| 3.3.1 谱算法 | 第37-38页 |
| 3.3.2 重叠节点检测 | 第38-39页 |
| 3.3.3 算法流程 | 第39页 |
| 3.4 实验与结果 | 第39-46页 |
| 3.5 小结 | 第46-48页 |
| 4 基于随机图模型的广义社团结构检测 | 第48-68页 |
| 4.1 引言 | 第48-50页 |
| 4.2 网络模型 | 第50-51页 |
| 4.3 广义社团检测算法 | 第51-55页 |
| 4.3.1 最大化似然度 | 第51-53页 |
| 4.3.2 置信度传播算法 | 第53-55页 |
| 4.3.3 算法流程 | 第55页 |
| 4.4 实验与分析 | 第55-65页 |
| 4.5 小结 | 第65-68页 |
| 5 加权网络上的广义社团检测 | 第68-82页 |
| 5.1 引言 | 第68-69页 |
| 5.2 加权网络建模 | 第69-70页 |
| 5.3 加权网络的广义社团推理 | 第70-73页 |
| 5.3.1 边缘概率最大化 | 第70-71页 |
| 5.3.2 模型代入 | 第71-72页 |
| 5.3.3 置信度传播算法 | 第72-73页 |
| 5.4 实验与对比分析 | 第73-79页 |
| 5.5 小结 | 第79-82页 |
| 6 结束语 | 第82-86页 |
| 6.1 本文工作总结 | 第82-83页 |
| 6.2 未来工作展望 | 第83-86页 |
| 致谢 | 第86-88页 |
| 参考文献 | 第88-98页 |
| 附录 | 第98页 |
| A. 申请人在攻读学位期间发表的论文目录 | 第98页 |
| B. 申请人在攻读学位期间参与的科研项目 | 第98页 |
