| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究工作的背景与意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 压缩感知理论及其应用 | 第14页 |
| 1.2.2 社交网络的相关研究 | 第14-16页 |
| 1.2.3 社交网络的社团发现研究 | 第16-18页 |
| 1.3 本论文的主要贡献与创新 | 第18-19页 |
| 1.4 本论文的结构安排 | 第19-20页 |
| 第二章 相关技术基础 | 第20-35页 |
| 2.1 聚类 | 第20-29页 |
| 2.1.1 聚类的基本概念 | 第20-22页 |
| 2.1.2 常用的数据降维方法 | 第22-25页 |
| 2.1.3 常用的相似性度量方法 | 第25-27页 |
| 2.1.4 常用的聚类评价指标 | 第27-29页 |
| 2.2 基于划分的聚类算法 | 第29-30页 |
| 2.3 层次聚类算法 | 第30-31页 |
| 2.4 谱聚类 | 第31-33页 |
| 2.5 子空间聚类 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 基于稀疏子空间聚类的社团检测 | 第35-61页 |
| 3.1 基于压缩感知的相似度矩阵计算 | 第35-39页 |
| 3.1.1 稀疏表示和压缩感知 | 第35-37页 |
| 3.1.2 相似度计算 | 第37-39页 |
| 3.2 基于随机矩阵理论的关联矩阵计算 | 第39-41页 |
| 3.3 基于模块度最优的社团检测算法 | 第41-42页 |
| 3.4 算法复杂度分析 | 第42-43页 |
| 3.5 算法结果分析 | 第43-59页 |
| 3.5.1 社交网络社团检测 | 第43-53页 |
| 3.5.1.1 数据集介绍 | 第43-44页 |
| 3.5.1.2 数据预处理 | 第44-45页 |
| 3.5.1.3 对比算法-Newman快速社团检测算法 | 第45-46页 |
| 3.5.1.4 对比算法-Attractor算法 | 第46-47页 |
| 3.5.1.5 实验步骤 | 第47-51页 |
| 3.5.1.6 实验结果对比 | 第51-53页 |
| 3.5.2 金融网络社团检测 | 第53-59页 |
| 3.5.2.1 数据集介绍 | 第53-54页 |
| 3.5.2.2 对比算法 | 第54-55页 |
| 3.5.2.3 实验过程 | 第55页 |
| 3.5.2.4 实验结果对比 | 第55-59页 |
| 3.6 本章小结 | 第59-61页 |
| 第四章 多关系社交网络挖掘系统设计与验证 | 第61-81页 |
| 4.1 系统总体概述 | 第61-64页 |
| 4.1.1 系统概述 | 第61页 |
| 4.1.2 系统结构 | 第61-64页 |
| 4.1.2.1 系统前端布局 | 第61-62页 |
| 4.1.2.2 系统层次划分 | 第62-64页 |
| 4.1.2.3 系统模块划分 | 第64页 |
| 4.2 系统各模块详细设计 | 第64-74页 |
| 4.2.1 数据采集预处理模块 | 第64-69页 |
| 4.2.2 数据分析模块 | 第69-73页 |
| 4.2.3 数据结构展示模块 | 第73-74页 |
| 4.3 系统测试与验证 | 第74-80页 |
| 4.4 本章小结 | 第80-81页 |
| 第五章 总结与展望 | 第81-83页 |
| 5.1 总结 | 第81-82页 |
| 5.2 展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 攻读硕士学位期间取得的研究成果 | 第88-89页 |