| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 基于机器学习模型构建的链接预测 | 第11-12页 |
| 1.2.2 基于相似度的链接预测 | 第12-14页 |
| 1.3 研究目的 | 第14-15页 |
| 1.4 本文主要内容 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 社会网络链接预测概述 | 第17-29页 |
| 2.1 社会网络概述 | 第17-18页 |
| 2.2 链接预测问题描述与评价 | 第18-23页 |
| 2.2.1 问题描述 | 第18-21页 |
| 2.2.2 相似度问题定义和算法性能评价指标 | 第21-23页 |
| 2.3 基于相似度的社会网络链接预测 | 第23-28页 |
| 2.3.1 基于共邻节点的相似度指标 | 第23-26页 |
| 2.3.2 基于路径的相似度指标 | 第26-27页 |
| 2.3.3 基于随机游走的相似度指标 | 第27-28页 |
| 2.3.4 其他相似度指标 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 融合社区信息差分化共邻节点的链接预测模型 | 第29-40页 |
| 3.1 相关工作 | 第29-30页 |
| 3.2 链接预测模型 | 第30-35页 |
| 3.2.1 社区发现和模型定义 | 第30-31页 |
| 3.2.2 社区内部链接预测 | 第31-33页 |
| 3.2.3 社区之间链接预测 | 第33-34页 |
| 3.2.4 算法框架 | 第34-35页 |
| 3.3 实验分析 | 第35-39页 |
| 3.3.1 实验准备 | 第35页 |
| 3.3.2 人工网络、真实网络的链接预测评价 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于改进朴素贝叶斯模型的链接预测 | 第40-52页 |
| 4.1 相关工作 | 第40页 |
| 4.2 朴素贝叶斯(LNB)链接预测模型 | 第40-43页 |
| 4.3 Tree Argument Bayesian链接预测模型 | 第43-48页 |
| 4.3.1 Tree Argument Bayesian模型 | 第43-44页 |
| 4.3.2 基于TAN模型的链接预测 | 第44-46页 |
| 4.3.3 TAN模型推广 | 第46-47页 |
| 4.3.4 基于TAN模型的算法框架 | 第47-48页 |
| 4.4 实验分析 | 第48-50页 |
| 4.4.1 数据集分析 | 第48页 |
| 4.4.2 实验结果分析 | 第48-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 加权社会网络链接预测 | 第52-63页 |
| 5.1 相关工作 | 第52-53页 |
| 5.2 加权网络的相似度与链接预测 | 第53-56页 |
| 5.2.1 加权网络的经典相似度指标 | 第53-55页 |
| 5.2.2 基于加权朴素贝叶斯模型的相似度指标—W_LNBCN | 第55-56页 |
| 5.2.3 链接预测算法框架 | 第56页 |
| 5.3 实验分析 | 第56-60页 |
| 5.3.1 数据集分析 | 第56-57页 |
| 5.3.2 实验结果分析 | 第57-60页 |
| 5.4 算法推广 | 第60-61页 |
| 5.5 本章小结 | 第61-63页 |
| 总结与展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |
| 附件 | 第70页 |
