| 序言 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 第一章 绪论 | 第11-15页 |
| ·课题背景 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·本文组织结构 | 第14页 |
| ·本章小结 | 第14-15页 |
| 第二章 可覆盖社区发现的相关技术介绍 | 第15-33页 |
| ·具有可覆盖性的社区发现方法 | 第15-25页 |
| ·以最大子图扩张为核心概念的方法 | 第15-19页 |
| ·以行为分析为研究目标的方法 | 第19-24页 |
| ·其他的一些关于可覆盖性社区发现方法的介绍 | 第24-25页 |
| ·同时基于内容性数据和相关性数据的社区发现方法 | 第25-27页 |
| ·概率统计模型相关知识的介绍 | 第27-33页 |
| ·高斯混合模型与EM算法 | 第27-29页 |
| ·EM算法的一般表达形式 | 第29-30页 |
| ·关于EM算法收敛性的介绍 | 第30-33页 |
| 第三章 同时基于内容性和相关性数据的可覆盖社区发现 | 第33-41页 |
| ·任务目标的确立 | 第33-35页 |
| ·候选子图的评估 | 第35-36页 |
| ·度量属性和候选子图的相关性 | 第35-36页 |
| ·度量目标和候选子图的相关性 | 第36页 |
| ·度量“目标——属性”对和候选子图的相关性 | 第36页 |
| ·具有可覆盖性的社区发现 | 第36-39页 |
| ·SOC算法总结 | 第39-41页 |
| 第四章 基于DBLP和NewMovies数据的实验报告 | 第41-50页 |
| ·虚拟数据 | 第41-44页 |
| ·采用NMI评价准则 | 第42-43页 |
| ·采用Modularity评价准则 | 第43-44页 |
| ·DBLP数据 | 第44-47页 |
| ·“作者——会议图” | 第44-47页 |
| ·“文章——词义图” | 第47页 |
| ·NewMovies数据 | 第47-48页 |
| ·算法复杂度评估 | 第48-50页 |
| 第五章 总结和展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间的研究成果 | 第54-55页 |
| 致谢 | 第55-56页 |
| 作者简历 | 第56页 |