| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 社区发现研究现状 | 第13-14页 |
| 1.2.2 中心性分析研究现状 | 第14-15页 |
| 1.2.3 面临的挑战 | 第15页 |
| 1.3 本文主要工作 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第2章 社区发现与中心性分析 | 第17-26页 |
| 2.1 社会网络 | 第17-18页 |
| 2.2 社会网络的特征 | 第18-19页 |
| 2.2.1 小世界效应 | 第18页 |
| 2.2.2 稠化幂率 | 第18页 |
| 2.2.3 收缩直径 | 第18页 |
| 2.2.4 重尾分布 | 第18-19页 |
| 2.2.5 聚集性 | 第19页 |
| 2.2.6 中心性 | 第19页 |
| 2.3 社区发现研究方法 | 第19-22页 |
| 2.3.1 基于层次聚类的方法 | 第19-20页 |
| 2.3.2 基于划分聚类的方法 | 第20-21页 |
| 2.3.3 基于密度的方法 | 第21页 |
| 2.3.4 基于标签传播的方法 | 第21页 |
| 2.3.5 基于局部扩展的方法 | 第21-22页 |
| 2.4 中心性研究方法 | 第22-24页 |
| 2.4.1 紧密度中心性方法 | 第22页 |
| 2.4.2 信息中心性方法 | 第22页 |
| 2.4.3 子图中心性方法 | 第22-23页 |
| 2.4.4 Page Rank中心性方法 | 第23页 |
| 2.4.5 特征向量中心性方法 | 第23页 |
| 2.4.6 k-core中心性方法 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 基于排序中心性的社区发现算法 | 第26-40页 |
| 3.1 PAM聚类算法 | 第26-27页 |
| 3.2 基于排序中心性的社区发现算法(RCCD) | 第27-31页 |
| 3.2.1 相关问题 | 第27-30页 |
| 3.2.2 基于排序中心性的社区发现算法(RCCD) | 第30-31页 |
| 3.3 评价标准 | 第31-33页 |
| 3.3.1 纯度 | 第31-32页 |
| 3.3.2 模块度 | 第32-33页 |
| 3.4 实验结果及分析 | 第33-38页 |
| 3.4.1 空手道数据集 | 第33-35页 |
| 3.4.2 橄榄球队数据集 | 第35-38页 |
| 3.5 实验总结 | 第38页 |
| 3.6 本章小结 | 第38-40页 |
| 第4章 基于主观贝叶斯的中心性分析算法 | 第40-46页 |
| 4.1 主观贝叶斯方法简介 | 第40-41页 |
| 4.2 基于主观贝叶斯的中心性分析算法 | 第41-43页 |
| 4.2.1 相关问题 | 第41-43页 |
| 4.2.2 基于主观贝叶斯的中心性分析算法(CAB) | 第43页 |
| 4.3 实验结果及分析 | 第43-45页 |
| 4.3.1 空手道数据集 | 第43-44页 |
| 4.3.2 橄榄球队数据集 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 总结与展望 | 第46-48页 |
| 5.1 论文总结 | 第46-47页 |
| 5.2 工作展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 作者简介及在学期间取得的科研成果 | 第52-53页 |
| 致谢 | 第53页 |