| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 社区发现研究 | 第10-11页 |
| 1.2.2 聚类算法研究 | 第11-13页 |
| 1.2.3 基于多个因素的聚类算法研究 | 第13-14页 |
| 1.3 研究内容及框架 | 第14-15页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 研究框架 | 第14-15页 |
| 1.4 创新点 | 第15-17页 |
| 2 相关理论和技术 | 第17-35页 |
| 2.1 复杂网络社区发现相关概念 | 第17-20页 |
| 2.1.1 复杂网络的基本概念 | 第17-18页 |
| 2.1.2 复杂网络的数学模型 | 第18-20页 |
| 2.2 社区发现算法概述 | 第20-28页 |
| 2.2.1 非重叠社区发现与重叠社区发现 | 第20-24页 |
| 2.2.2 链接社区发现方法 | 第24-25页 |
| 2.2.3 基于内容的社区发现算法 | 第25-26页 |
| 2.2.4 结合内容和拓扑信息的社区发现算法 | 第26-28页 |
| 2.3 语义分析理论 | 第28-32页 |
| 2.3.1 隐含语义分析 | 第28-30页 |
| 2.3.2 特征空间降维 | 第30-32页 |
| 2.4 本章小节 | 第32-35页 |
| 3 微博数据获取和模型构建 | 第35-49页 |
| 3.1 微博数据获取 | 第35-39页 |
| 3.1.1 基于OAuth2.0授权登录的API获取 | 第35-36页 |
| 3.1.2 基于HTTP协议的数据获取 | 第36-37页 |
| 3.1.3 基于Web Browser控件的数据爬取方法 | 第37-38页 |
| 3.1.4 本文数据采集 | 第38-39页 |
| 3.2 微博数据预处理 | 第39-41页 |
| 3.3 微博网络特征 | 第41-47页 |
| 3.3.1 用户行为特征分析 | 第41-43页 |
| 3.3.2 核心-边缘结构特征 | 第43-45页 |
| 3.3.3 用户影响力分析 | 第45-47页 |
| 3.4 本章小节 | 第47-49页 |
| 4 基于网络拓扑和内容相似性的社区发现 | 第49-61页 |
| 4.1 基于内容相似性的社区发现 | 第49-53页 |
| 4.1.1 基于主题相似性的模型构建 | 第49-50页 |
| 4.1.2 基于词共现度的时间划分 | 第50-52页 |
| 4.1.3 基于隐含语义的进一步划分 | 第52-53页 |
| 4.2 基于网络拓扑和内容相似性的社区发现 | 第53-59页 |
| 4.2.1 初始中心点的选取 | 第53-56页 |
| 4.2.2 初始中心点的合并 | 第56-57页 |
| 4.2.3 用户之间的距离 | 第57-59页 |
| 4.2.4 算法复杂度分析 | 第59页 |
| 4.3 本章小节 | 第59-61页 |
| 5 实验和结果分析 | 第61-69页 |
| 5.1 用户影响力 | 第61-63页 |
| 5.2 事件划分结果 | 第63-65页 |
| 5.3 实验结果及对比 | 第65-67页 |
| 5.3.1 中心相关度分析 | 第66页 |
| 5.3.2 社区最大允许距离分析 | 第66-67页 |
| 5.4 本章小节 | 第67-69页 |
| 6 结论与展望 | 第69-71页 |
| 6.1 结论 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 攻读学位期间的科研成果 | 第77-79页 |
| 致谢 | 第79页 |