首页--数理科学和化学论文--数学论文--代数、数论、组合理论论文--组合数学(组合学)论文--图论论文

微博网络社团发现与预测方法研究

摘要第4-6页
Abstract第6-7页
1 绪论第11-31页
    1.1 研究背景与选题意义第11-15页
        1.1.1 研究背景第11-14页
        1.1.2 选题意义与挑战第14-15页
    1.2 相关研究现状综述第15-26页
        1.2.1 复杂网络特性与模型演化第15-20页
        1.2.2 传播动力学模型第20-22页
        1.2.3 复杂网络博弈论第22-23页
        1.2.4 社团发现算法第23-25页
        1.2.5 社团发展趋势预测第25-26页
    1.3 主要研究内容与内在联系第26-29页
    1.4 论文组织结构第29-31页
2 微博网络信息传播动力学模型与特性分析第31-57页
    2.1 引言第31页
    2.2 传播模型与动力学分析第31-41页
        2.2.1 具有不同网络结构的传播模型第31-35页
        2.2.2 典型传播模型分析第35-41页
    2.3 微博信息传播动力学模型第41-46页
        2.3.1 微博信息传播过程第41-44页
        2.3.2 SEINR模型描述第44-46页
    2.4 SEINR模型特性分析第46-52页
        2.4.1 求证基本再生数第46-48页
        2.4.2 平衡点存在性分析第48-49页
        2.4.3 传播稳定性分析第49-51页
        2.4.4 转发特性分析第51-52页
    2.5 实验结果分析第52-56页
    2.6 本章小结第56-57页
3 微博用户转发行为分析第57-71页
    3.1 引言第57-58页
    3.2 序贯博弈与马尔科夫均衡第58-61页
        3.2.1 用户行为分析方法第58-59页
        3.2.2 可分离序贯博弈模型第59-60页
        3.2.3 MPE策略性质第60-61页
    3.3 用户转发行为模型第61-66页
        3.3.1 建立博弈模型第62-64页
        3.3.2 MPE一致性和存在性分析第64-66页
    3.4 实验结果分析第66-69页
    3.5 本章小结第69-71页
4 微博网络社团发现方法第71-95页
    4.1 引言第71-72页
    4.2 现有社团发现算法及不足第72-77页
        4.2.1 基于模块度的社团发现方法第72-73页
        4.2.2 基于网络拓扑结构的社团发现方法第73-76页
        4.2.3 现有社团发现算法不足第76-77页
    4.3 融合转发特性的微博社团发现方法第77-85页
        4.3.1 转发活跃度特征集提取第77-79页
        4.3.2 LC算法优化第79-82页
        4.3.3 IC-LOC发现方法第82-84页
        4.3.4 复杂度分析第84-85页
    4.4 实验结果分析第85-93页
        4.4.1 LOC算法性能分析第87-90页
        4.4.2 活跃度特性分析第90-91页
        4.4.3 实验结果对比第91-93页
    4.5 本章小结第93-95页
5 微博社团动态演化预测模型第95-111页
    5.1 引言第95页
    5.2 网络博弈论第95-98页
        5.2.1 博弈合作行为第96页
        5.2.2 网络演化博弈模型第96-98页
    5.3 用户合作行为分析第98-100页
        5.3.1 社会困境模型第98-99页
        5.3.2 合作策略调整动态分析第99-100页
    5.4 社团用户动态演化模型第100-105页
        5.4.1 构建演化模型第100-102页
        5.4.2 用户行为动态预测第102-105页
    5.5 实验结果分析第105-108页
    5.6 本章小结第108-111页
6 总结与展望第111-115页
    6.1 论文总结第111-112页
    6.2 工作展望第112-115页
参考文献第115-123页
致谢第123-125页
攻读博士学位期间发表的学术论文以及获奖情况第125-127页

论文共127页,点击 下载论文
上一篇:词袋模型行为识别方法中的特征向量结构模式发现与利用
下一篇:恶意软件特征提取与云安全检测技术研究