| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 缩略语 | 第15-16页 |
| 1 绪论 | 第16-30页 |
| 1.1 研究背景 | 第16-20页 |
| 1.1.1 在线社会网络现状 | 第16-17页 |
| 1.1.2 社会网络分析思想的起源与发展 | 第17-18页 |
| 1.1.3 复杂网络研究的发展及基本概念 | 第18-20页 |
| 1.2 选题的目的与意义 | 第20-26页 |
| 1.2.1 在线社会网络分析的关键问题 | 第20-25页 |
| 1.2.2 解决这些问题的意义 | 第25-26页 |
| 1.3 主要工作和创新点 | 第26-27页 |
| 1.4 本文的结构安排 | 第27-30页 |
| 2 在线社会网络演化模型分析 | 第30-82页 |
| 2.1 引言 | 第31-32页 |
| 2.2 相关工作 | 第32-34页 |
| 2.3 概率P复制增长模型(P-GNC) | 第34-50页 |
| 2.3.1 建立模型 | 第34-35页 |
| 2.3.2 平均场与主方程方法 | 第35-40页 |
| 2.3.3 p-GNC模型生成图的度分布分析 | 第40-45页 |
| 2.3.4 p-GNC模型生成图的平均最短路径长度 | 第45-48页 |
| 2.3.5 p-GNC模型生成图的簇聚集系数 | 第48-50页 |
| 2.4 加速复制增长模型(AGNC) | 第50-62页 |
| 2.4.1 建立模型 | 第51-52页 |
| 2.4.2 AGNC模型生成图的度分布分析 | 第52-59页 |
| 2.4.3 AGNC模型生成图的平均最短路径长度 | 第59-60页 |
| 2.4.4 AGNC模型生成图的簇聚集系数 | 第60-62页 |
| 2.5 带更新过程的加速复制增长模型(RAGNC) | 第62-77页 |
| 2.5.1 建立模型 | 第63-64页 |
| 2.5.2 RAGNC模型生成图的度分布分析 | 第64-73页 |
| 2.5.3 RAGNC模型生成图的平均最短路径长度 | 第73-75页 |
| 2.5.4 RAGNC模型生成图的簇聚集系数 | 第75-77页 |
| 2.6 通过真实网络验证演化模型 | 第77-80页 |
| 2.6.1 叽歪网的网络拓扑特征及拟合模型 | 第77-79页 |
| 2.6.2 新浪微博的网络拓扑特征及拟合模型 | 第79-80页 |
| 2.7 本章小结 | 第80-82页 |
| 3 在线社会网络关键用户识别算法 | 第82-104页 |
| 3.1 引言 | 第83-84页 |
| 3.2 数据集描述 | 第84-86页 |
| 3.3 URRank算法 | 第86-98页 |
| 3.3.1 URRank算法基本思想 | 第86-87页 |
| 3.3.2 URRank模型 | 第87-89页 |
| 3.3.3 URRank算法定义 | 第89-90页 |
| 3.3.4 算法实现 | 第90-92页 |
| 3.3.5 算法分析 | 第92-98页 |
| 3.4 性能评价 | 第98-101页 |
| 3.4.1 算法排序结果 | 第98页 |
| 3.4.2 结果分析 | 第98-101页 |
| 3.5 本章小结 | 第101-104页 |
| 4 在线社会网络链路预测算法 | 第104-130页 |
| 4.1 引言 | 第105-107页 |
| 4.2 UBKPM算法 | 第107-124页 |
| 4.2.1 SVM算法 | 第107-109页 |
| 4.2.2 KPM算法 | 第109-111页 |
| 4.2.3 UBKPM算法 | 第111-114页 |
| 4.2.4 UBKPM算法理论分析 | 第114-124页 |
| 4.3 实验检验 | 第124-128页 |
| 4.3.1 问题描述 | 第124-125页 |
| 4.3.2 环境描述 | 第125-126页 |
| 4.3.3 结果分析 | 第126-128页 |
| 4.4 本章小结 | 第128-130页 |
| 5 总结 | 第130-134页 |
| 5.1 本文贡献 | 第130-131页 |
| 5.2 问题与展望 | 第131-134页 |
| 参考文献 | 第134-142页 |
| 附录A 解微分方程 | 第142-146页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第146-150页 |
| 学位论文数据集 | 第150页 |
