| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 符号说明 | 第14-15页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 论文选题背景 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.3 研究内容 | 第19-20页 |
| 1.3.1 主要工作 | 第19页 |
| 1.3.2 创新性 | 第19-20页 |
| 1.4 论文结构安排 | 第20-21页 |
| 1.5 本章小结 | 第21-22页 |
| 第二章 社区发现算法概述 | 第22-33页 |
| 2.1 问题定义 | 第22-24页 |
| 2.1.1 信息网络 | 第22页 |
| 2.1.2 社区发现 | 第22-23页 |
| 2.1.3 重叠社区 | 第23-24页 |
| 2.2 经典社区发现算法 | 第24-29页 |
| 2.2.1 GN算法 | 第24-25页 |
| 2.2.2 CNM算法 | 第25-26页 |
| 2.2.3 Louvain算法 | 第26-27页 |
| 2.2.4 标签传播算法 | 第27-29页 |
| 2.3 社区发现算法对比以及面临的挑战 | 第29-32页 |
| 2.3.1 算法优缺点对比 | 第29页 |
| 2.3.2 实验分析 | 第29-31页 |
| 2.3.3 面临的挑战 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 结合属性信息和网络结构的社区发现方法 | 第33-43页 |
| 3.1 术语定义 | 第33-34页 |
| 3.1.1 无权网络和加权网络 | 第33页 |
| 3.1.2 属性特征向量 | 第33页 |
| 3.1.3 邻接矩阵和相似度矩阵 | 第33-34页 |
| 3.2 算法实现 | 第34-38页 |
| 3.2.1 算法原理 | 第34-36页 |
| 3.2.2 算法实施 | 第36-38页 |
| 3.3 实验结果及分析 | 第38-42页 |
| 3.3.1 环境配置 | 第38-39页 |
| 3.3.2 测试数据 | 第39-40页 |
| 3.3.3 实验结果 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于边特征学习的社区发现算法 | 第43-65页 |
| 4.1 边序列采集 | 第44-46页 |
| 4.1.1 搜索策略 | 第45页 |
| 4.1.2 随机游走 | 第45-46页 |
| 4.2 特征学习 | 第46-48页 |
| 4.3 聚类 | 第48-52页 |
| 4.3.1 相似度测量 | 第48-49页 |
| 4.3.2 改进K-means算法 | 第49页 |
| 4.3.3 BIRCH算法 | 第49-51页 |
| 4.3.4 改进K-means与BIRCH算法对CD-ERL算法的影响 | 第51-52页 |
| 4.4 社区转化 | 第52-53页 |
| 4.5 测试实例说明 | 第53-55页 |
| 4.6 仿真实验与结果分析 | 第55-64页 |
| 4.6.1 数据集 | 第55-57页 |
| 4.6.2 评价指标 | 第57-58页 |
| 4.6.3 实验结果及分析 | 第58-64页 |
| 4.7 本章小结 | 第64-65页 |
| 第五章 总结和展望 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间的科研成果和参加的项目 | 第74-75页 |
| 学位论文评阅及答辩情况表 | 第75页 |