电子邮件通信实体关系挖掘与分析研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-37页 |
| 1.1 研究背景 | 第14-17页 |
| 1.2 国内外研究现状 | 第17-31页 |
| 1.2.1 课题研究范畴 | 第18-22页 |
| 1.2.2 社团划分理论研究 | 第22-26页 |
| 1.2.3 链路预测算法研究 | 第26-30页 |
| 1.2.4 网络可视化分析系统 | 第30-31页 |
| 1.3 论文主要工作与创新点 | 第31-35页 |
| 1.3.1 论文主要研究工作 | 第31-33页 |
| 1.3.2 主要贡献与创新点 | 第33-35页 |
| 1.4 论文的章节安排 | 第35-36页 |
| 1.5 本章小结 | 第36-37页 |
| 第二章 主要理论基础 | 第37-53页 |
| 2.1 社团划分 | 第37-44页 |
| 2.1.1 经典社团划分算法 | 第38-41页 |
| 2.1.2 新型社团划分算法 | 第41-44页 |
| 2.2 链路预测算法 | 第44-52页 |
| 2.2.1 基于相似性的链路预测算法 | 第45-49页 |
| 2.2.2 基于极大似然估计的链路预测算法 | 第49-50页 |
| 2.2.3 基于概率模型的链路预测算法 | 第50-52页 |
| 2.3 本章小结 | 第52-53页 |
| 第三章 社团划分算法的测度模型 | 第53-72页 |
| 3.1 经典测度模型及其存在的问题 | 第53-55页 |
| 3.2 均衡相似性测度模型 | 第55-63页 |
| 3.2.1 相关工作 | 第55-57页 |
| 3.2.2 BSM模型 | 第57-58页 |
| 3.2.3 实验结果及分析 | 第58-63页 |
| 3.3 BSM社团划分算法 | 第63-71页 |
| 3.3.1 相关工作 | 第63页 |
| 3.3.2 算法描述 | 第63-67页 |
| 3.3.3 实验结果及分析 | 第67-71页 |
| 3.4 本章小结 | 第71-72页 |
| 第四章 大规模复杂网络社团划分快速算法模型 | 第72-93页 |
| 4.1 鲁汶算法及其存在的问题 | 第72-77页 |
| 4.2 基于剪枝策略的FLA算法 | 第77-82页 |
| 4.2.1 算法描述 | 第78-80页 |
| 4.2.2 实验结果分析 | 第80-82页 |
| 4.3 基于度和权重的CDDW算法 | 第82-91页 |
| 4.3.1 问题分析 | 第82-83页 |
| 4.3.2 权重的定义 | 第83-85页 |
| 4.3.3 算法描述 | 第85-87页 |
| 4.3.4 实验结果及分析 | 第87-91页 |
| 4.4 本章小结 | 第91-93页 |
| 第五章 基于集成学习的链路预测算法模型 | 第93-106页 |
| 5.1 现有方法存在的问题 | 第93-97页 |
| 5.2 AdaPred集成学习算法模型 | 第97-101页 |
| 5.3 实验结果分析 | 第101-105页 |
| 5.4 本章小结 | 第105-106页 |
| 第六章 电子邮件通信网络实体关系挖掘原型系统 | 第106-124页 |
| 6.1 课题背景简介 | 第106-107页 |
| 6.1.1 研究意义 | 第106-107页 |
| 6.1.2 需求分析 | 第107页 |
| 6.2 原型系统设计 | 第107-110页 |
| 6.3 关键技术应用 | 第110-122页 |
| 6.3.1 社团划分算法 | 第111-113页 |
| 6.3.2 角色分析算法 | 第113-121页 |
| 6.3.3 可视化呈现技术 | 第121-122页 |
| 6.4 本章小结 | 第122-124页 |
| 第七章 结束语 | 第124-128页 |
| 7.1 本文研究工作总结 | 第124-125页 |
| 7.2 下一步的研究工作展望 | 第125-128页 |
| 致谢 | 第128-129页 |
| 参考文献 | 第129-141页 |
| 攻读博士学位期间取得的成果 | 第141-142页 |
