微博网络中的重叠社区发现算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 论文研究内容 | 第15-16页 |
| 1.3 论文结构安排 | 第16-19页 |
| 2 复杂网络与社区发现 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 复杂网络 | 第19-22页 |
| 2.2.1 复杂网络的概念与表示方法 | 第19-20页 |
| 2.2.2 复杂网络的特征度量 | 第20-21页 |
| 2.2.3 复杂网络的特性 | 第21-22页 |
| 2.3 社区发现 | 第22-25页 |
| 2.3.1 复杂网络的社区结构 | 第22-23页 |
| 2.3.2 社区结构评价函数 | 第23-24页 |
| 2.3.3 复杂网络的社区发现算法 | 第24-25页 |
| 2.4 微博网络的社区发现 | 第25-29页 |
| 2.4.1 基于微博主题的社区发现 | 第25-26页 |
| 2.4.2 基于用户属性的社区发现 | 第26-27页 |
| 2.4.3 基于交互行为的社区发现 | 第27-29页 |
| 2.5 遗传算法 | 第29-32页 |
| 2.5.1 遗传算法原理 | 第29-30页 |
| 2.5.2 遗传算法在社区发现中的应用 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 3 微博网络的用户关系评估 | 第33-43页 |
| 3.1 引言 | 第33页 |
| 3.2 基于用户显性关系的静态拓扑结构 | 第33-34页 |
| 3.3 基于交互信息的用户关系评价 | 第34-36页 |
| 3.4 基于主题兴趣的用户关系评价 | 第36-39页 |
| 3.4.1 中文分词与特征词提取 | 第36-37页 |
| 3.4.2 基于微博的用户关系评价 | 第37-38页 |
| 3.4.3 基于标签的用户关系评价 | 第38-39页 |
| 3.5 微博用户关系强度评估模型 | 第39-41页 |
| 3.6 本章小结 | 第41-43页 |
| 4 基于遗传算法的重叠社区发现 | 第43-57页 |
| 4.1 引言 | 第43页 |
| 4.2 编码方式与个体适应度函数 | 第43-45页 |
| 4.3 种群初始化 | 第45-49页 |
| 4.3.1 社区中心节点的生成 | 第46-47页 |
| 4.3.2 初始社区的生成 | 第47-49页 |
| 4.4 交叉算子 | 第49-51页 |
| 4.5 变异算子 | 第51-52页 |
| 4.6 选择算子 | 第52-53页 |
| 4.7 种群迁移策略 | 第53-55页 |
| 4.8 算法整体描述 | 第55-56页 |
| 4.9 本章小结 | 第56-57页 |
| 5 大数据环境下算法的分布式实现 | 第57-71页 |
| 5.1 引言 | 第57页 |
| 5.2 HADOOP分布式计算框架 | 第57-60页 |
| 5.2.1 MapReduce分布式计算模型 | 第57-59页 |
| 5.2.2 Hadoop分布式运行环境 | 第59-60页 |
| 5.3 微博网络加权策略的分布式实现 | 第60-63页 |
| 5.4 多种群遗传算法的分布式实现 | 第63-69页 |
| 5.4.1 并行遗传算法 | 第63-65页 |
| 5.4.2 OCDGA算法的分布式实现 | 第65-69页 |
| 5.5 本章小结 | 第69-71页 |
| 6 实验结果与分析 | 第71-81页 |
| 6.1 引言 | 第71-72页 |
| 6.2 人工网络结果分析 | 第72-73页 |
| 6.3 经典真实网络结果分析 | 第73-75页 |
| 6.4 微博网络结果与分析 | 第75-80页 |
| 6.4.1 微博网络数据的采集 | 第75-76页 |
| 6.4.2 社区发现结果与分析 | 第76-80页 |
| 6.5 本章小结 | 第80-81页 |
| 7 总结与展望 | 第81-83页 |
| 7.1 总结 | 第81-82页 |
| 7.2 展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第87-91页 |
| 学位论文数据集 | 第91页 |
