| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 复杂网络 | 第9-11页 |
| 1.1.1 复杂网络的起源及发展 | 第10-11页 |
| 1.1.2 复杂网络的特性 | 第11页 |
| 1.2 链路预测 | 第11-13页 |
| 1.2.1 链路预测研究背景及研究意义 | 第11-12页 |
| 1.2.2 链路预测研究现状 | 第12-13页 |
| 1.3 社团检测 | 第13-14页 |
| 1.3.1 社团检测的研究背景及研究意义 | 第13-14页 |
| 1.3.2 社团检测的研究现状 | 第14页 |
| 1.4 论文的主要工作及贡献 | 第14-15页 |
| 1.5 论文的组织结构 | 第15-17页 |
| 第二章 理论基础及相关工作 | 第17-28页 |
| 2.1 相关概念、术语、符号及定义 | 第17-18页 |
| 2.2 图及其相关矩阵 | 第18-21页 |
| 2.2.1 邻接矩阵 | 第19页 |
| 2.2.2 度矩阵 | 第19-20页 |
| 2.2.3 拉普拉斯矩阵 | 第20-21页 |
| 2.3 谱分析方法 | 第21-23页 |
| 2.3.1 基于标准化拉普拉斯矩阵的谱分析方法 | 第22页 |
| 2.3.2 基于归一化拉普拉斯矩阵的谱分析方法 | 第22-23页 |
| 2.4 链路预测的常用方法 | 第23-25页 |
| 2.4.1 基于相似性的链路预测方法 | 第23-24页 |
| 2.4.2 基于最大似然估计的链路预测方法 | 第24-25页 |
| 2.4.3 基于机器学习的链路预测方法 | 第25页 |
| 2.5 链路预测的评价标准 | 第25-27页 |
| 2.5.1 Precision指标 | 第26页 |
| 2.5.2 Ranking Score指标 | 第26页 |
| 2.5.3 混淆矩阵、ROC曲线和AUC值 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于谱分析方法的链路预测思路分析 | 第28-35页 |
| 3.1 基于边的谱分析算法 | 第28-31页 |
| 3.1.1 基于边的谱聚类算法 | 第28-29页 |
| 3.1.2 基于边的链路预测算法 | 第29-31页 |
| 3.2 基于有监督的机器学习的链路预测算法 | 第31-32页 |
| 3.3 相似度距离 | 第32页 |
| 3.4 数据集介绍 | 第32-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 基于谱分析方法的链路预测算法 | 第35-55页 |
| 4.1 算法描述 | 第35-36页 |
| 4.2 特征向量的选取 | 第36-37页 |
| 4.3 实验工具 | 第37页 |
| 4.4 基于谱分析方法的链路预测算法实现 | 第37-50页 |
| 4.4.1 基于标准化拉普拉斯矩阵的谱分析方法 | 第37-44页 |
| 4.4.2 基于归一化拉普拉斯矩阵的谱分析方法 | 第44-49页 |
| 4.4.3 小结 | 第49-50页 |
| 4.5 真实网络中算法的预测结果评价 | 第50-54页 |
| 4.5.1 真实网络的预测结果 | 第50-53页 |
| 4.5.2 与已有的算法预测结果对比 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 基于角距离的谱分析链路预测算法 | 第55-66页 |
| 5.1 算法改进原理 | 第55-57页 |
| 5.2 改进后的算法实现和效果对比 | 第57-64页 |
| 5.2.1 测试数据集上基于角距离的谱分析链路预测算法实现 | 第57-61页 |
| 5.2.2 真实网络数据集上基于角距离的谱分析链路预测算法实现 | 第61-63页 |
| 5.2.3 实验结果分析 | 第63-64页 |
| 5.3 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 本文工作总结 | 第66页 |
| 6.2 未来工作展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 研究生期间参与的项目 | 第72-73页 |
| 致谢 | 第73页 |