| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 引言 | 第8-11页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状及发展趋势 | 第9-10页 |
| 1.3 论文的框架结构 | 第10-11页 |
| 第2章 社团发现方法综述 | 第11-19页 |
| 2.1 模块度优化模型 | 第11-14页 |
| 2.1.1 模块度函数介绍 | 第11-12页 |
| 2.1.2 模块度最大化建模 | 第12-13页 |
| 2.1.3 最大化模块度的求解 | 第13-14页 |
| 2.2 Normalized Cut (Ncut)模型 | 第14-18页 |
| 2.2.1 Ncut函数介绍 | 第14-16页 |
| 2.2.2 Ncut优化建模 | 第16页 |
| 2.2.3 Ncut求解 | 第16-18页 |
| 2.3 小结 | 第18-19页 |
| 第3章 谱聚类与自动编码器 | 第19-30页 |
| 3.1 谱聚类 | 第19-25页 |
| 3.1.1 图的拉普拉斯矩阵及其性质 | 第19-20页 |
| 3.1.2 谱方法与松弛条件下的图划分 | 第20-23页 |
| 3.1.3 谱聚类算法与程序流程 | 第23-25页 |
| 3.2 自动编码器 | 第25-29页 |
| 3.2.1 自动编码器的标准形式 | 第26-27页 |
| 3.2.2 自动编码器的学习过程 | 第27-28页 |
| 3.2.3 稀疏编码器 | 第28-29页 |
| 3.3 小结 | 第29-30页 |
| 第4章 基于深度autoencoder的社团发现方法 | 第30-37页 |
| 4.1 模块度最大化模型、Ncut模型转化谱方法 | 第30-31页 |
| 4.1.1 模块度最大化模型转化谱方法 | 第30-31页 |
| 4.1.2 Ncut模型的谱方法 | 第31页 |
| 4.2 Autoencoder与谱方法的相似 | 第31-33页 |
| 4.3 带有深度结构的autoencoder | 第33-34页 |
| 4.4 基于autoencoder的社团发现方法构架及优化 | 第34-36页 |
| 4.5 小结 | 第36-37页 |
| 第5章 实验比较 | 第37-41页 |
| 5.1 数据集的描述 | 第37-38页 |
| 5.2 评价方法 | 第38-39页 |
| 5.3 实验结果和分析 | 第39-41页 |
| 第6章 总结与展望 | 第41-43页 |
| 6.1 本文工作总结 | 第41-42页 |
| 6.2 未来学习工作及展望 | 第42-43页 |
| 参考文献 | 第43-45页 |
| 作者简介及在学期间所取得的科研成果 | 第45-46页 |
| 致谢 | 第46页 |
