| Acknowledgements | 第5-6页 |
| 摘要 | 第6-10页 |
| Abstract | 第10-11页 |
| Preface | 第12-15页 |
| 1 Introduction | 第15-21页 |
| 1.1 The clustering problem | 第15-16页 |
| 1.2 Attributed graph clustering | 第16-17页 |
| 1.3 Alternative embeddings that aid clustering | 第17页 |
| 1.4 Related work | 第17-19页 |
| 1.5 Our contribution | 第19-20页 |
| 1.6 How this thesis is organized | 第20-21页 |
| 2 Preliminaries | 第21-31页 |
| 2.1 Distance and similarity measures | 第21-22页 |
| 2.2 k-means and spectral k-means | 第22-25页 |
| 2.2.1 Spectral k-means | 第23-25页 |
| 2.3 Random walks on graphs | 第25页 |
| 2.4 Effective resistance | 第25-31页 |
| 2.4.1 The basic idea | 第25-27页 |
| 2.4.2 Linear algebra formulation | 第27-30页 |
| 2.4.3 Connection to random walks | 第30-31页 |
| 3 Attributed graph clustering using effective resistance | 第31-37页 |
| 3.1 Merging structural and attribute information | 第31-32页 |
| 3.1.1 Method 1 (cosine similarity) | 第31页 |
| 3.1.2 Method 2 (squared cosine similarity) | 第31-32页 |
| 3.1.3 Method 3 (frequency-normalized attribute similarity) | 第32页 |
| 3.2 Approximate resistance distance embedding using a fast SDD solver | 第32-34页 |
| 3.3 k-medoids with a composite distance | 第34-37页 |
| 4 Experiments and results | 第37-45页 |
| 4.1 Data for experiments | 第37-38页 |
| 4.2 Implementation details | 第38页 |
| 4.3 Evaluation metrics | 第38-39页 |
| 4.4 Comparing Methods 1,2, and 3 | 第39-43页 |
| 4.5 Comparing NJW, RESC,and Algorithm 3 | 第43-45页 |
| 5 Conclusion | 第45-46页 |
| 5.1 Future work | 第45-46页 |
| 5.1.1 Studying behavior on perturbations of the input graphs | 第45页 |
| 5.1.2 Studying behavior on larger graphs | 第45页 |
| 5.1.3 Studying behavior on synthetic graphs | 第45-46页 |
| 6 References | 第46-50页 |
| 作者简历及攻读硕士 /博士学位期间取得的研究成果 | 第50-52页 |
| 学位论文数据集 | 第52-53页 |
