| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及研究意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 人物关系分析国内外研究现状 | 第11-12页 |
| 1.2.2 可视化技术国内外研究现状 | 第12-13页 |
| 1.3 研究工作与主要内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 基于粗糙集与信息熵的K-modes聚类算法 | 第16-25页 |
| 2.1 基本算法及理论 | 第16-20页 |
| 2.1.1 K-modes聚类算法 | 第16-18页 |
| 2.1.2 粗糙集理论 | 第18-19页 |
| 2.1.3 信息熵理论 | 第19-20页 |
| 2.2 基于粗糙集与信息熵的K-modes聚类算法 | 第20-22页 |
| 2.2.1 样本间相异性 | 第20-21页 |
| 2.2.2 算法描述 | 第21-22页 |
| 2.3 模拟实验及结果分析 | 第22-24页 |
| 2.3.1 数据集简介 | 第22-23页 |
| 2.3.2 实验结果分析 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于六度分离理论与中心度算法的关系挖掘 | 第25-43页 |
| 3.1 基本理论及算法 | 第25-33页 |
| 3.1.1 六度分离理论 | 第25-26页 |
| 3.1.2 强关系与弱关系 | 第26-27页 |
| 3.1.3 顿巴数和贝肯数 | 第27-29页 |
| 3.1.4 中心度算法 | 第29-33页 |
| 3.2 基于六度分离理论与中心度算法的关系挖掘 | 第33-38页 |
| 3.2.1 中心度算法的对比与分析 | 第33-35页 |
| 3.2.2 关键人物挖掘算法 | 第35-37页 |
| 3.2.3 关键人物关系网络挖掘算法 | 第37-38页 |
| 3.3 模拟实验及结果分析 | 第38-42页 |
| 3.3.1 数据集简介 | 第39-42页 |
| 3.3.2 实验结果分析 | 第42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 基于Gephi的关系网络可视化结果展示与分析 | 第43-50页 |
| 4.1 网络可视化工具Gephi简介 | 第43-44页 |
| 4.2 数据集简介与数据预处理 | 第44页 |
| 4.3 关键人物关系网络可视化结果展示 | 第44-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56页 |