| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 传统社交链接预测 | 第12-15页 |
| 1.2.2 基于时空数据的社交链接预测 | 第15-17页 |
| 1.3 目前存在的主要问题 | 第17页 |
| 1.4 本文主要工作及创新点 | 第17-19页 |
| 1.5 本文组织结构 | 第19-21页 |
| 第二章 基于主题模型LDA的社交链接预测 | 第21-38页 |
| 2.1 主题模型概述 | 第21-25页 |
| 2.1.1 主题模型 | 第21-22页 |
| 2.1.2 潜在狄利克雷分配模型 | 第22-25页 |
| 2.2 LDA近似推理算法概述 | 第25-28页 |
| 2.2.1 变分贝叶斯算法概述 | 第25-26页 |
| 2.2.2 吉布斯采样算法 | 第26-27页 |
| 2.2.3 置信传播算法 | 第27-28页 |
| 2.3 基于主题模型的社交链接预测 | 第28-30页 |
| 2.4 实验结果分析 | 第30-36页 |
| 2.4.1 Brightkite和Gowalla数据集 | 第30-31页 |
| 2.4.2 数据内容 | 第31-32页 |
| 2.4.3 数据预处理与社交链接预测流程 | 第32-33页 |
| 2.4.4 评价标准 | 第33-34页 |
| 2.4.5 基于LDA不同近似推理算法的链接预测实验结果 | 第34-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第三章 基于word2vec的社交链接预测 | 第38-52页 |
| 3.1 word2vec概述 | 第38-39页 |
| 3.2 word2vec的4种算法 | 第39-45页 |
| 3.2.1 基于Hierarchical Softmax框架的CBOW模型 | 第40-42页 |
| 3.2.2 基于Hierarchical Softmax框架的Skip-gram模型 | 第42-44页 |
| 3.2.3 基于Negative Sampling框架的CBOW模型 | 第44-45页 |
| 3.2.4 基于Negative Sampling框架的Skip-gram模型 | 第45页 |
| 3.3 基于用户间共现的社交链接预测 | 第45-46页 |
| 3.4 实验分析 | 第46-51页 |
| 3.4.1 数据集预处理和社交链接预测流程 | 第46-48页 |
| 3.4.2 基于word2vec不同算法的链接预测实验结果 | 第48-51页 |
| 3.4.3 LDA社交链接预测方法和word2vec社交链接预测方法比较 | 第51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于决策融合的社交链接预测 | 第52-64页 |
| 4.1 决策融合预测框架结构 | 第52-53页 |
| 4.2 融合方法 | 第53-55页 |
| 4.2.1 数据级融合 | 第53-54页 |
| 4.2.2 特征级融合 | 第54-55页 |
| 4.2.3 决策级融合 | 第55页 |
| 4.3 实验分析 | 第55-63页 |
| 4.3.1 数据预处理 | 第55-56页 |
| 4.3.2 评价标准 | 第56-57页 |
| 4.3.3 决策融合方法实验步骤 | 第57-60页 |
| 4.3.4 决策融合方法与其它方法的比较 | 第60-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 总结和展望 | 第64-66页 |
| 5.1 论文工作总结 | 第64-65页 |
| 5.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 攻读学位期间公开发表与参与的科研项目 | 第72-73页 |
| 致谢 | 第73-74页 |
