| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 本文工作 | 第16页 |
| 1.4 本文组织架构 | 第16-18页 |
| 第2章 社区发现方法综述 | 第18-25页 |
| 2.1 传统算法 | 第19-21页 |
| 2.1.1 图分割算法 | 第19-20页 |
| 2.1.2 聚类算法 | 第20-21页 |
| 2.2 分裂算法 | 第21-22页 |
| 2.3 谱算法 | 第22页 |
| 2.4 基于模块度的方法 | 第22页 |
| 2.5 动态算法 | 第22-23页 |
| 2.6 基于统计推断的方法 | 第23页 |
| 2.7 基于信息论的社区发现算法 | 第23页 |
| 2.8 基于标签传播的社区发现算法 | 第23-25页 |
| 第3章 重叠社区发现算法 | 第25-30页 |
| 3.1 基于团渗透及其改进的重叠社区发现算法 | 第25-26页 |
| 3.2 基于模糊聚类的重叠社区发现算法 | 第26页 |
| 3.3 基于非负矩阵分解的重叠社区发现算法 | 第26-27页 |
| 3.4 基于种子拓展思想的重叠社区发现算法 | 第27页 |
| 3.5 基于混合概率模型的重叠社区发现算法 | 第27-28页 |
| 3.6 基于边聚类的重叠社区发现 | 第28-30页 |
| 第4章 LinkSCAN及Multi-LinkSCAN算法 | 第30-38页 |
| 4.1 LinkSCAN及LinkSCAN* | 第30-33页 |
| 4.2 Multi-LinkSCAN | 第33-38页 |
| 第5章 大数据处理平台Hadoop与Spark | 第38-56页 |
| 5.1 Hadoop和Spark介绍 | 第38-45页 |
| 5.1.1 Hadoop | 第39-41页 |
| 5.1.2 Spark | 第41-45页 |
| 5.2 云平台 | 第45-48页 |
| 5.2.1 云平台简介 | 第45页 |
| 5.2.2 阿里云 | 第45-48页 |
| 5.3 应用Spark在云平台进行提速 | 第48-56页 |
| 5.3.1 Spark应用在矩阵相乘方面 | 第48-50页 |
| 5.3.2 Spark应用在邻接交互矩阵方面 | 第50-52页 |
| 5.3.3 Spark应用在邻接相似度矩阵方面 | 第52-53页 |
| 5.3.4 Spark应用在欧式距离求解方面 | 第53-54页 |
| 5.3.5 Spark应用在层次聚类方面 | 第54-56页 |
| 第6章 实验结果分析 | 第56-73页 |
| 6.1 实验评价指标 | 第56-57页 |
| 6.1.1 社区数目 | 第56页 |
| 6.1.2 归一化互信息 | 第56-57页 |
| 6.1.3 扩展模块度 | 第57页 |
| 6.2 真实网络数据集与人工合成网络数据集 | 第57-60页 |
| 6.2.1 真实网络数据集 | 第57-59页 |
| 6.2.2 人工合成网络数据集 | 第59-60页 |
| 6.3 Multi-LinkSCAN实验结果 | 第60-64页 |
| 6.3.1 真实网络数据集实验结果 | 第60-62页 |
| 6.3.2 人工合成网络数据集实验结果 | 第62-64页 |
| 6.3.3 综合分析 | 第64页 |
| 6.4 Spark提速实验分析 | 第64-73页 |
| 6.4.1 真实网络数据集Spark提速实验分析 | 第64-66页 |
| 6.4.2 人工合成网络数据集Spark提速实验分析 | 第66-68页 |
| 6.4.3 针对邻接交互矩阵实例的真实网络数据集提速实验分析 | 第68-70页 |
| 6.4.4 针对邻接交互矩阵实例的人工合成网络数据集提速实验分析 | 第70-71页 |
| 6.4.5 综合分析 | 第71-73页 |
| 第7章 总结与展望 | 第73-75页 |
| 7.1 总结 | 第73页 |
| 7.2 展望 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 作者简介及在学期间取得的科研成果 | 第78-79页 |
| 致谢 | 第79页 |
