| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 在线社交网络及其应用 | 第12-13页 |
| 1.2 在线社交网络的数据挖掘 | 第13-16页 |
| 1.2.1 网络数据挖掘及其应用 | 第13-15页 |
| 1.2.2 社交网络的常用挖掘指标:Graphlets | 第15-16页 |
| 1.2.3 社交网络的常用挖掘手段:采样方法 | 第16页 |
| 1.3 社交网络中Graphlets挖掘的研究状况与发展趋势 | 第16-17页 |
| 1.4 本文的研究内容和主要贡献 | 第17-18页 |
| 1.5 本文组织结构 | 第18-20页 |
| 第2章 社交网络中Graphlets采样算法的相关研究 | 第20-26页 |
| 2.1 社交网络中Graphlets采样的背景知识 | 第20-23页 |
| 2.1.1 社交网络图模型 | 第20页 |
| 2.1.2 Graphlets | 第20-22页 |
| 2.1.3 随机游走 | 第22页 |
| 2.1.4 图上的随机游走采样 | 第22-23页 |
| 2.2 社交网络中Graphlets采样的相关研究 | 第23-24页 |
| 2.3 本文的研究意义 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于最大公共子结构感知的Graphlets采样算法CSRW | 第26-46页 |
| 3.1 引例 | 第26-29页 |
| 3.1.1 基于SRW的Graphlets采样算法示例及其不足 | 第26-27页 |
| 3.1.2 Graphlets统一采样思路的形成 | 第27-29页 |
| 3.2 CSRW的算法思想 | 第29-31页 |
| 3.3 CSRW的偏差校正 | 第31-35页 |
| 3.3.1 CSRW的重复系数计算 | 第32-33页 |
| 3.3.2 CSRW的无偏估计 | 第33-35页 |
| 3.4 CSRW估计Graphlets频率值的算法框架 | 第35-36页 |
| 3.5 实验分析 | 第36-44页 |
| 3.5.1 算法精确度分析 | 第37-43页 |
| 3.5.2 算法扩展性验证 | 第43-44页 |
| 3.5.3 时间性能分析 | 第44页 |
| 3.6 本章小结 | 第44-46页 |
| 第4章 基于两种子结构感知调和的Graphlets采样算法CSRW2 | 第46-62页 |
| 4.1 改进思路的形成 | 第46-47页 |
| 4.2 CSRW2的算法思想 | 第47-49页 |
| 4.3 CSRW2的偏差校正 | 第49-52页 |
| 4.3.1 CSRW2的重复系数计算 | 第49页 |
| 4.3.2 CSRW2的比例放大调和法 | 第49-50页 |
| 4.3.3 CSRW2的无偏估计 | 第50-52页 |
| 4.4 CSRW2估计Graphlets频率值的算法框架 | 第52-54页 |
| 4.5 实验分析 | 第54-60页 |
| 4.5.1 算法精确度分析 | 第54-60页 |
| 4.5.2 时间性能分析 | 第60页 |
| 4.6 本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 在读期间发表的学术论文与取得的研究成果 | 第72页 |
