| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-18页 |
| 1.2.1 社交网络建模方法 | 第12-14页 |
| 1.2.2 网络对齐方法 | 第14-18页 |
| 1.3 研究内容 | 第18-20页 |
| 1.3.1 网络表征方法研究 | 第18-19页 |
| 1.3.2 基于粗粒化方式的网络表征方法研究 | 第19-20页 |
| 1.3.3 基于IAUE模型的异构社交网络对齐研究 | 第20页 |
| 1.4 论文组织结构 | 第20-22页 |
| 第二章 网络表征方法研究 | 第22-36页 |
| 2.1 DeepWalk | 第22-25页 |
| 2.1.1 模型定义 | 第22-24页 |
| 2.1.2 方法总结 | 第24-25页 |
| 2.2 LINE | 第25-28页 |
| 2.2.1 模型定义 | 第25-27页 |
| 2.2.2 模型总结 | 第27-28页 |
| 2.3 Node2Vector | 第28-30页 |
| 2.3.1 模型定义 | 第28-30页 |
| 2.3.2 模型总结 | 第30页 |
| 2.4 SDNE | 第30-33页 |
| 2.4.1 模型定义 | 第31-33页 |
| 2.4.2 模型总结 | 第33页 |
| 2.5 DNGR | 第33-34页 |
| 2.5.1 模型定义 | 第33-34页 |
| 2.5.2 模型总结 | 第34页 |
| 2.6 本章小结 | 第34-36页 |
| 第三章 基于粗粒度方式的网络表征方法 | 第36-42页 |
| 3.1 粗粒化表征方法 | 第36-38页 |
| 3.1.1 网络粗粒化方法 | 第36-37页 |
| 3.1.2 粗粒化表征 | 第37-38页 |
| 3.2 实验数据及其评价指标 | 第38页 |
| 3.2.1 实验数据 | 第38页 |
| 3.2.2 评价指标 | 第38页 |
| 3.3 实验结果 | 第38-39页 |
| 3.4 本章小结 | 第39-42页 |
| 第四章 IAUE模型建立 | 第42-54页 |
| 4.1 IAUE框架 | 第42-43页 |
| 4.1.1 模型简介 | 第42页 |
| 4.1.2 模型框架 | 第42-43页 |
| 4.2 粗粒化网络表征 | 第43-46页 |
| 4.2.1 粗粒化表征过程 | 第43-44页 |
| 4.2.2 Network Embedding | 第44-46页 |
| 4.3 映射函数学习 | 第46-50页 |
| 4.3.1 BP神经网络 | 第46-49页 |
| 4.3.2 学习映射函数学习 | 第49-50页 |
| 4.4 锚链识别 | 第50-53页 |
| 4.4.1 G-S算法 | 第50-52页 |
| 4.4.2 锚链识别 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 基于网络表征学习的异构社交网络对齐研究 | 第54-62页 |
| 5.1 研究现状与背景 | 第54-55页 |
| 5.2 实验数据 | 第55-56页 |
| 5.2.1 Facebook数据集 | 第55-56页 |
| 5.2.2 新浪微博和豆瓣数据集 | 第56页 |
| 5.3 实验方法和度量指标 | 第56-58页 |
| 5.3.1 实验方法 | 第56-57页 |
| 5.3.2 度量指标 | 第57-58页 |
| 5.4 实验结果 | 第58-60页 |
| 5.4.1 Facebook数据集的实验 | 第58-59页 |
| 5.4.2 新浪微博-豆瓣的实验 | 第59-60页 |
| 5.5 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间发表的学术论文 | 第72页 |