复杂网络传播学中重要节点的发现
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-16页 |
| ·课题来源 | 第8页 |
| ·研究背景与意义 | 第8页 |
| ·相关理论与研究现状 | 第8-9页 |
| ·复杂网络定义 | 第8-9页 |
| ·复杂网络研究史 | 第9页 |
| ·复杂网络的经典传播模型概况 | 第9-14页 |
| ·规则网络 | 第10页 |
| ·随机网络 | 第10-11页 |
| ·小世界网络模型 | 第11页 |
| ·BA无标度模型 | 第11-13页 |
| ·部分优选和部分随即选择模型 | 第13页 |
| ·可调集群系数的HK模型及其改进模型 | 第13-14页 |
| ·复杂网络演化模型研究的存在问题 | 第14页 |
| ·本文研究工作及章节安排 | 第14-16页 |
| 第二章 复杂网络演化过程中重要节点的衡量参数 | 第16-26页 |
| ·复杂网络演化过程中的表示及存储方法 | 第16-17页 |
| ·网络图表示 | 第16页 |
| ·网络矩阵表示法 | 第16-17页 |
| ·复杂网络统计描述 | 第17-25页 |
| ·平均路径(averagepathlength) | 第17-18页 |
| ·聚集系数 | 第18-19页 |
| ·度分布和度的概念 | 第19-20页 |
| ·中心度 | 第20-23页 |
| ·点度中心度 | 第23-25页 |
| ·实际网络中的统计特性 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第三章 复杂网络的社区发现算法概述 | 第26-34页 |
| ·社区发现 | 第26-28页 |
| ·基于图的分解的方法 | 第28-31页 |
| ·Kernighan-Lin算法 | 第28-29页 |
| ·基于图的拉普拉斯矩阵的特征向量的谱二分法 | 第29-30页 |
| ·层次聚类算法 | 第30-31页 |
| ·基于边凝聚系数的简单图社区结构发现的研究 | 第31-33页 |
| ·简单图社区结构发现算法 | 第31-33页 |
| ·Radicchi算法研究 | 第33页 |
| ·本章小结 | 第33-34页 |
| 第四章 边的凝聚系数以及凝聚算法的提出 | 第34-42页 |
| ·边的凝聚系数定义 | 第34-35页 |
| ·基于边的凝聚算法描述 | 第35-36页 |
| ·实验及算法分析测试数据集 | 第36-37页 |
| ·网络分析评价 | 第37页 |
| ·算法对比分析 | 第37-40页 |
| ·本章小结 | 第40-42页 |
| 第五章 动态兴趣圈子的社区发现研究 | 第42-52页 |
| ·动态兴趣圈子 | 第42页 |
| ·挖掘动态信息兴趣圈子的研究现状 | 第42-47页 |
| ·聚类 | 第45-46页 |
| ·谱聚类算法 | 第46-47页 |
| ·应用谱聚类在SNS(新浪微博)中挖掘兴趣圈子 | 第47-49页 |
| ·本章小结 | 第49-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 个人研究成果 | 第60-61页 |
