社交网络节点分类技术研究
| 摘要 | 第4-6页 |
| 英文摘要 | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 基于属性分类的研究现状 | 第14-15页 |
| 1.2.2 基于链接结构的研究现状 | 第15-16页 |
| 1.3 本文主要工作与结构安排 | 第16-19页 |
| 1.3.1 主要工作 | 第16-17页 |
| 1.3.2 论文结构 | 第17-19页 |
| 第2章 相关工作 | 第19-29页 |
| 2.1 社交网络相关概念和定义 | 第19-21页 |
| 2.2 多标签分类 | 第21-24页 |
| 2.3 经典分类算法 | 第24-26页 |
| 2.3.1 决策树分类 | 第24-25页 |
| 2.3.2 贝叶斯分类 | 第25-26页 |
| 2.3.3 支持向量机 | 第26页 |
| 2.4 链接分类算法 | 第26-28页 |
| 2.4.1 迭代分类算法 | 第26-27页 |
| 2.4.2 马尔可夫逻辑网 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于K近邻节点属性多标签分类算法 | 第29-40页 |
| 3.1 问题描述 | 第29-30页 |
| 3.2 基于K近邻节点属性的多标签分类算法 | 第30-38页 |
| 3.2.1 概念与定义 | 第30-32页 |
| 3.2.2 K近邻算法 | 第32-34页 |
| 3.2.3 算法思想 | 第34-36页 |
| 3.2.4 算法设计 | 第36-38页 |
| 3.3 算法分析 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于社区结构性节点多标签随机游走算法 | 第40-50页 |
| 4.1 问题描述 | 第40-41页 |
| 4.2 基于社区结构性节点多标签随机游走算法 | 第41-48页 |
| 4.2.1 概念与定义 | 第41-42页 |
| 4.2.2 随机游走模型 | 第42-44页 |
| 4.2.3 算法思想 | 第44-46页 |
| 4.2.4 算法设计 | 第46-48页 |
| 4.3 算法分析 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 实验结果与分析 | 第50-56页 |
| 5.1 实验数据集 | 第50-51页 |
| 5.2 实验方案 | 第51-52页 |
| 5.2.1 基于K近邻节点属性的多标签分类算法 | 第51页 |
| 5.2.2 基于社区结构性节点多标签随机游走算法 | 第51-52页 |
| 5.3 实验结果与分析 | 第52-55页 |
| 5.3.1 基于K近邻节点属性的多标签分类算法 | 第52-53页 |
| 5.3.2 基于社区结构性节点多标签随机游走算法 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 总结和展望 | 第56-58页 |
| 6.1 本文工作内容总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第62-63页 |
