| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外发展现状 | 第12-13页 |
| 1.3 本文主要内容及创新点 | 第13-14页 |
| 1.4 文章结构 | 第14-16页 |
| 第2章 相关理论基础 | 第16-22页 |
| 2.1 图采样 | 第16-17页 |
| 2.2 网络表示学习 | 第17-18页 |
| 2.3 社交网络 | 第18-20页 |
| 2.3.1 定义及性质 | 第18-19页 |
| 2.3.2 社交网络边生成假设—优先连接原则 | 第19-20页 |
| 2.4 社会网络随机图模型 | 第20页 |
| 2.5 社会网络挖掘 | 第20-22页 |
| 第3章 网络表示算法的图采样方法设计 | 第22-37页 |
| 3.1 设计背景—网络表示学习算法成本 | 第22页 |
| 3.2 文献分析图采样设计需考虑的有关子图特征 | 第22-26页 |
| 3.3 机器学习特征选择实验评估子图特征 | 第26-31页 |
| 3.3.1 方法介绍 | 第26-27页 |
| 3.3.2 在Facebook数据集上的实验结果 | 第27-31页 |
| 3.4 针对社交网络表示算法的图采样方法设计 | 第31-35页 |
| 3.4.1 简述 | 第31页 |
| 3.4.2 补充说明—采样图为连接图 | 第31页 |
| 3.4.3 极端情况—生成树 | 第31-32页 |
| 3.4.4 带参数的随机游走采样 | 第32-33页 |
| 3.4.5 倒排节点度数列表滑动窗口采样 | 第33-34页 |
| 3.4.6 倒排节点度数列表固定左端的变长窗口采样 | 第34-35页 |
| 3.5 针对社交网络的图采样方法设计改进 | 第35-37页 |
| 3.5.1 估算边数的倒排节点度数列表滑动窗口采样 | 第35-37页 |
| 第4章 实验与结果分析 | 第37-48页 |
| 4.1 用随机图模型模拟社交网络特征 | 第37-38页 |
| 4.2 实验流程介绍—用链接预测观察图采样效果 | 第38-41页 |
| 4.2.1 采用链接预测作为下游任务 | 第38-40页 |
| 4.2.2 实验流程步骤介绍 | 第40-41页 |
| 4.3 随机图与真实网络的最佳边数实验 | 第41-43页 |
| 4.3.1 最佳边数 | 第41-42页 |
| 4.3.2 用随机图考察最佳边数 | 第42-43页 |
| 4.4 随机图上的高度数节点实验 | 第43页 |
| 4.5 用优先连接原则估算子图边数的可行性分析 | 第43-44页 |
| 4.6 一个实际应用案例—Facebook数据集 | 第44-45页 |
| 4.7 实验总结与讨论 | 第45-48页 |
| 第5章 总结与展望 | 第48-51页 |
| 5.1 工作总结 | 第48-49页 |
| 5.2 研究展望 | 第49-51页 |
| 参考文献 | 第51-53页 |
| 作者简介及在学期间所取得的科研成果 | 第53-54页 |
| 致谢 | 第54-55页 |
| 附录 | 第55-57页 |