| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文的研究内容 | 第10-11页 |
| 1.4 本文的结构组织 | 第11-12页 |
| 第二章 社区推荐系统综述 | 第12-24页 |
| 2.1 推荐系统简介 | 第12页 |
| 2.2 社区推荐综述 | 第12-19页 |
| 2.2.1 推荐技术介绍 | 第12-16页 |
| 2.2.2 社区推荐方法 | 第16-19页 |
| 2.3 社交网络研究 | 第19-22页 |
| 2.3.1 复杂网络理论 | 第19-20页 |
| 2.3.2 社交用户活跃度研究 | 第20-21页 |
| 2.3.3 社交用户影响力研究 | 第21-22页 |
| 2.4 社区发现算法 | 第22-23页 |
| 2.4.1 一般社区发现算法 | 第22页 |
| 2.4.2 重叠社区发现算法 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于用户转发的User-BehaviorRank算法 | 第24-33页 |
| 3.1 PageRank算法 | 第24页 |
| 3.2 算法概述 | 第24-29页 |
| 3.2.1 微博用户行为分析 | 第24-25页 |
| 3.2.2 转发概率模型 | 第25-26页 |
| 3.2.3 算法的基本定义 | 第26-28页 |
| 3.2.4 算法描述及实现流程 | 第28-29页 |
| 3.3 实验与分析 | 第29-32页 |
| 3.3.1 实验数据集 | 第29页 |
| 3.3.2 实验结果与分析 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于GN的个性化社区发现算法 | 第33-44页 |
| 4.1 微博社区发现模型 | 第33-36页 |
| 4.1.1 社区理论基础分析 | 第33页 |
| 4.1.2 用户互动程度模型 | 第33-35页 |
| 4.1.3 相似度度量模型 | 第35页 |
| 4.1.4 用户联系度模型 | 第35-36页 |
| 4.2 改进的GN社区发现算法 | 第36-37页 |
| 4.3 实验设计与分析 | 第37-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 基于蚁群的重叠社区发现算法 | 第44-53页 |
| 5.1 重叠社区发现模型 | 第44-48页 |
| 5.1.1 蚁群寻食模型分析 | 第44页 |
| 5.1.2 信号传递理论分析 | 第44-46页 |
| 5.1.3 改进的蚁群行走策略 | 第46-48页 |
| 5.2 结合蚁群和信号传递的重叠社区划分算法 | 第48-49页 |
| 5.3 实验设计与分析 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 社区推荐系统的实现及应用 | 第53-61页 |
| 6.1 社区推荐系统介绍 | 第53-56页 |
| 6.1.1 系统首页实现 | 第53-54页 |
| 6.1.2 实验数据集 | 第54-56页 |
| 6.1.3 开发工具与平台 | 第56页 |
| 6.2 User-BehaviorRank在系统中的应用 | 第56-58页 |
| 6.3 社区发现算法在推荐系统中的应用 | 第58-60页 |
| 6.4 本章小结 | 第60-61页 |
| 第七章 总结与展望 | 第61-63页 |
| 7.1 工作总结 | 第61-62页 |
| 7.2 工作展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 发表论文和科研情况 | 第68-69页 |
| 致谢 | 第69页 |