| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 研究背景 | 第13-18页 |
| 1.2 研究意义 | 第18-22页 |
| 1.3 主要研究内容 | 第22-24页 |
| 1.4 本文组织结构 | 第24-27页 |
| 第二章 社会网络结构及特点 | 第27-49页 |
| 2.1 社会网络图 | 第27-30页 |
| 2.2 社会网络图结构中的几个重要参数 | 第30-33页 |
| 2.2.1 节点的度 | 第30-31页 |
| 2.2.2 网络密度 | 第31页 |
| 2.2.3 网络距离与直径 | 第31-33页 |
| 2.3 社会网络节点重要性及计算 | 第33-41页 |
| 2.3.1 节点中心性 | 第33-35页 |
| 2.3.2 k-shell和k-core | 第35-38页 |
| 2.3.3 PageRank和HITS | 第38-41页 |
| 2.4 小世界现象 | 第41-44页 |
| 2.4.1 Milgram实验 | 第41-43页 |
| 2.4.2 Bacon数与Erdos数 | 第43-44页 |
| 2.5 幂率分布现象 | 第44-47页 |
| 2.5.1 幂率分布概念 | 第44-45页 |
| 2.5.2 幂率分布形成原因 | 第45-47页 |
| 2.6 本章小结 | 第47-49页 |
| 第三章 基于用户文本的用户-话题分析 | 第49-79页 |
| 3.1 引言 | 第49-50页 |
| 3.2 计算用户-话题关系所面临的挑战 | 第50-52页 |
| 3.2.1 潜在话题挖掘 | 第50-51页 |
| 3.2.2 高维数据分析 | 第51-52页 |
| 3.2.3 稀疏数据处理 | 第52页 |
| 3.3 非负矩阵分解 | 第52-57页 |
| 3.3.1 矩阵分解 | 第52-53页 |
| 3.3.2 基本非负矩阵分解 | 第53-57页 |
| 3.3.3 扩展非负矩阵分解 | 第57页 |
| 3.4 基于非负矩阵分解的用户-话题敏感度计算 | 第57-70页 |
| 3.4.1 算法设计思想 | 第57-61页 |
| 3.4.2 基于用户相似度的算法 | 第61-62页 |
| 3.4.3 基于话题相似度的算法 | 第62-65页 |
| 3.4.4 混合算法 | 第65页 |
| 3.4.5 实验分析 | 第65-70页 |
| 3.5 基于单词共现的短文本上用户-话题敏感度计算 | 第70-76页 |
| 3.5.1 算法思想与算法设计 | 第70-74页 |
| 3.5.2 实验分析 | 第74-76页 |
| 3.6 本章小结 | 第76-79页 |
| 第四章 基于网络结构的特殊节点发现 | 第79-105页 |
| 4.1 引言 | 第79-81页 |
| 4.2 谱图相关知识 | 第81-83页 |
| 4.2.1 拉普拉斯矩阵定义 | 第81-82页 |
| 4.2.2 拉普拉斯矩阵性质 | 第82-83页 |
| 4.3 算法思想 | 第83-90页 |
| 4.3.1 问题形成 | 第83-85页 |
| 4.3.2 启发式算法 | 第85-89页 |
| 4.3.3 算法复杂性分析 | 第89-90页 |
| 4.3.4 算法的局限性 | 第90页 |
| 4.4 实验分析 | 第90-103页 |
| 4.4.1 合成数据 | 第90-92页 |
| 4.4.2 Twitter数据集 | 第92-95页 |
| 4.4.3 DBLP数据集 | 第95-103页 |
| 4.5 本章小结 | 第103-105页 |
| 第五章 结合用户文本与网络结构的社区发现 | 第105-125页 |
| 5.1 引言 | 第105-108页 |
| 5.2 基于结构的社区发现 | 第108-111页 |
| 5.3 话题社区与话题模型 | 第111-118页 |
| 5.3.1 话题社区 | 第111-112页 |
| 5.3.2 话题模型 | 第112-118页 |
| 5.4 话题社区发现 | 第118-120页 |
| 5.5 实验分析 | 第120-124页 |
| 5.5.1 数据描述 | 第120-122页 |
| 5.5.2 实验结果 | 第122-124页 |
| 5.6 本章小结 | 第124-125页 |
| 第六章 结束语 | 第125-129页 |
| 6.1 本文工作总结 | 第125-126页 |
| 6.2 未来研究方向 | 第126-129页 |
| 参考文献 | 第129-141页 |
| 致谢 | 第141-143页 |
| 攻博期间发表的论文 | 第143页 |