摘要 | 第5-7页 |
abstract | 第7-8页 |
第1章 绪论 | 第15-34页 |
1.1 研究背景及意义 | 第15-16页 |
1.2 国内外研究现状 | 第16-30页 |
1.2.1 同质关系多尺度挖掘研究现状 | 第18-21页 |
1.2.2 异质关系挖掘研究现状 | 第21-24页 |
1.2.3 多关系挖掘研究现状 | 第24-28页 |
1.2.4 相关评价指标 | 第28-30页 |
1.3 论文的研究内容 | 第30-32页 |
1.3.1 研究内容 | 第30-31页 |
1.3.2 研究框架及方法 | 第31-32页 |
1.4 论文的组织结构 | 第32-34页 |
第2章 基于扩散小波的同质关系多尺度挖掘算法 | 第34-50页 |
2.1 引言 | 第34页 |
2.2 同质关系建模 | 第34-37页 |
2.2.1 同质关系描述模型 | 第34-36页 |
2.2.2 同质关系度量 | 第36-37页 |
2.3 基于扩散小波分析的多尺度挖掘算法 | 第37-42页 |
2.3.1 扩散小波分析 | 第38-41页 |
2.3.2 多尺度挖掘算法 | 第41-42页 |
2.4 实验及分析 | 第42-49页 |
2.4.1 数据集 | 第42-43页 |
2.4.2 多尺度结构挖掘 | 第43-46页 |
2.4.3 多尺度主题挖掘 | 第46-48页 |
2.4.4 多尺度行为挖掘 | 第48-49页 |
2.5 本章小结 | 第49-50页 |
第3章 基于关联矩阵分解的异质关系联合聚类算法 | 第50-69页 |
3.1 引言 | 第50-51页 |
3.2 问题定义 | 第51-52页 |
3.3 高阶异质关系联合聚类框架 | 第52-54页 |
3.4 关联矩阵构造及对称分解 | 第54-60页 |
3.4.1 关联矩阵构造 | 第54-56页 |
3.4.2 关联矩阵对称稀疏分解 | 第56-60页 |
3.5 异质关系矩阵分解 | 第60页 |
3.6 聚类指示矩阵融合 | 第60页 |
3.7 实验及分析 | 第60-68页 |
3.7.1 数据集 | 第61-62页 |
3.7.2 对比实验 | 第62-65页 |
3.7.3 参数调整实验 | 第65-66页 |
3.7.4 实例分析 | 第66-67页 |
3.7.5 可扩展性实验分析 | 第67-68页 |
3.7.6 实验总结 | 第68页 |
3.8 本章小结 | 第68-69页 |
第4章 面向微博突发话题检测的动态异质关系挖掘算法 | 第69-87页 |
4.1 引言 | 第69页 |
4.2 微博突发话题检测相关工作 | 第69-71页 |
4.3 问题定义 | 第71-72页 |
4.4 微博消息流关系抽取及建模 | 第72-75页 |
4.4.1 动态窗口划分 | 第72-74页 |
4.4.2 实体关系抽取 | 第74页 |
4.4.3 实体关系建模 | 第74-75页 |
4.5 面向突发话题检测的动态联合聚类算法 | 第75-80页 |
4.5.1 实体影响力度量 | 第76-77页 |
4.5.2 联合聚类算法 | 第77-79页 |
4.5.3 新词识别算法 | 第79-80页 |
4.6 实验及分析 | 第80-85页 |
4.6.1 数据集 | 第80-81页 |
4.6.2 对比实验 | 第81-83页 |
4.6.3 大规模数据流实验 | 第83-84页 |
4.6.4 实验总结 | 第84-85页 |
4.7 本章小结 | 第85-87页 |
第5章 面向微博异常检测的同/异质关系协同挖掘算法 | 第87-103页 |
5.1 引言 | 第87-88页 |
5.2 微博异常检测分析 | 第88-90页 |
5.3 微博关系抽取及建模 | 第90-93页 |
5.3.1 实体关系抽取 | 第90-91页 |
5.3.2 实体关系建模 | 第91-93页 |
5.4 基于同质关系的距离度量学习 | 第93-95页 |
5.5 基于异质关系矩阵分解的异常检测算法 | 第95-96页 |
5.6 实验及分析 | 第96-101页 |
5.6.1 数据集 | 第96-97页 |
5.6.2 个体异常检测实验 | 第97-100页 |
5.6.3 群体异常检测实验 | 第100-101页 |
5.7 本章小结 | 第101-103页 |
结论 | 第103-105页 |
参考文献 | 第105-117页 |
攻读博士学位期间发表的论文和取得的科研成果 | 第117-119页 |
致谢 | 第119页 |