致谢 | 第5-6页 |
中文摘要 | 第6-8页 |
ABSTRACT | 第8-10页 |
1 绪论 | 第14-33页 |
1.1 研究背景和意义 | 第15-19页 |
1.2 研究现状 | 第19-27页 |
1.2.1 社会网络建模 | 第19-20页 |
1.2.2 网络广义社区发现概率模型 | 第20-22页 |
1.2.3 大规模网络社区发现概率模型 | 第22-23页 |
1.2.4 基于内容的主题发现模型 | 第23页 |
1.2.5 融合内容和链接的社区(主题)发现模型 | 第23-27页 |
1.3 问题分析 | 第27-29页 |
1.4 主要研究内容 | 第29-31页 |
1.5 文章组织结构 | 第31-32页 |
1.6 小结 | 第32-33页 |
2 相关理论和技术 | 第33-54页 |
2.1 网络链接模型 | 第33-49页 |
2.1.1 简单随机块模型SBM | 第33-37页 |
2.1.2 传统社区发现链接模型 | 第37-41页 |
2.1.3 广义社区发现链接模型 | 第41-48页 |
2.1.4 大规模网络社区发现链接模型 | 第48-49页 |
2.2 相关算法 | 第49-53页 |
2.2.1 参数估计准则 | 第49-50页 |
2.2.2 参数近似推理方法 | 第50-53页 |
2.3 小结 | 第53-54页 |
3 基于扩展随机块模型的快速广义社区发现算法 | 第54-64页 |
3.1 一种快速广义社区发现算法FGSB | 第54-58页 |
3.1.1 存储空间改进策略 | 第55-56页 |
3.1.2 运行时间改进策略 | 第56-57页 |
3.1.3 FGSB | 第57-58页 |
3.2 实验 | 第58-63页 |
3.2.1 FGSB在不同结构网络上的性能比较 | 第59-60页 |
3.2.2 不同清晰度的传统社区网络上算法性能比较 | 第60-62页 |
3.2.3 大规模网络上FGSB算法性能测试 | 第62-63页 |
3.3 小结 | 第63-64页 |
4 融合节点流行度、生成度及内容的广义社区发现方法 | 第64-80页 |
4.1 生成度-流行度随机块模型PPSB | 第64-68页 |
4.2 融合内容和链接的内容模型PPSB-DC | 第68页 |
4.3 实验 | 第68-78页 |
4.3.1 数据描述 | 第69-71页 |
4.3.2 非重叠社区度量 | 第71-72页 |
4.3.3 收敛性分析和重叠社区发现 | 第72-73页 |
4.3.4 非重叠社区发现性能比较 | 第73-76页 |
4.3.5 PPSB模型和PPSB-DC模型选择类个数 | 第76-78页 |
4.4 小结 | 第78-80页 |
5 基于随机变分推理的大规模网络广义社区发现方法 | 第80-94页 |
5.1 相关模型分析 | 第80-81页 |
5.2 三层贝叶斯网络链接模型和随机变分推理算法 | 第81-88页 |
5.2.1 三层贝叶斯网络链接模型 | 第81-83页 |
5.2.2 基于随机变分推理的广义社区发现算法GPPSB-SVI | 第83-88页 |
5.3 实验 | 第88-92页 |
5.3.1 GPPSB-SVI算法的准确度计算测试 | 第90页 |
5.3.2 GPPSB-SVI算法效率测试 | 第90-92页 |
5.4 小结 | 第92-94页 |
6 基于混合模型的在线大规模网络广义社区发现方法 | 第94-111页 |
6.1 基于混合模型的在线变分EM算法Online-VEM | 第94-100页 |
6.1.1 观测网络对数似然下界的可加性 | 第96-98页 |
6.1.2 在线变分EM算法 | 第98-100页 |
6.2 Online-VEM算法选择类个数 | 第100-101页 |
6.3 实验 | 第101-109页 |
6.3.1 数据描述 | 第101-102页 |
6.3.2 社区发现结果度量标准 | 第102-103页 |
6.3.3 Online-VEM算法的鲁棒性测试 | 第103-104页 |
6.3.4 算法性能比较 | 第104-108页 |
6.3.5 Online-VEM算法类个数选择 | 第108-109页 |
6.4 小结 | 第109-111页 |
7 总结与展望 | 第111-115页 |
7.1 全文工作总结 | 第111-113页 |
7.2 下一步研究展望 | 第113-115页 |
参考文献 | 第115-121页 |
攻读博士学位期间发表的学术论文 | 第121-122页 |
攻读博士学位期间参加项目 | 第122-124页 |
学位论文数据集 | 第124页 |