| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及分析 | 第12-14页 |
| 1.2.1 网络社区划分的研究现状 | 第12-13页 |
| 1.2.2 社交网络中好友推荐算法的研究现状 | 第13-14页 |
| 1.2.3 地理轨迹信息的研究现状 | 第14页 |
| 1.3 本文研究的内容和目标 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 研究目标 | 第15-16页 |
| 1.4 本文的组织工作 | 第16-17页 |
| 第2章 相关理论及技术 | 第17-23页 |
| 2.1 微博数据抓取技术 | 第17-19页 |
| 2.1.1 新浪微博开放平台授权机制 | 第17-19页 |
| 2.1.2 开放平台主要接口介绍 | 第19页 |
| 2.1.3 本文所需数据抓取 | 第19页 |
| 2.2 DBSCAN聚类 | 第19-20页 |
| 2.3 向量空间模型 | 第20页 |
| 2.4 常用的相似度度量函数 | 第20-22页 |
| 2.4.1 欧式距离(Euclidean Distance) | 第20-21页 |
| 2.4.2 曼哈顿(Manhattan Distance) | 第21页 |
| 2.4.3 切比雪夫距离(Chebyshev Distance) | 第21页 |
| 2.4.4 夹角余弦(Cosine) | 第21页 |
| 2.4.5 杰卡德相似系数(Jaccard Similarity Coefficient) | 第21-22页 |
| 2.5 最小二乘法 | 第22页 |
| 2.6 交叉验证 | 第22页 |
| 2.7 本章小结 | 第22-23页 |
| 第3章 社交网络社区划分及K级自我中心网络的构建 | 第23-33页 |
| 3.1 社交网络介绍 | 第23-26页 |
| 3.1.1 社交网络的定义 | 第23-24页 |
| 3.1.2 社交网络组成元素 | 第24-25页 |
| 3.1.3 社交网络理论基础 | 第25页 |
| 3.1.4 网络社区定义 | 第25-26页 |
| 3.2 基于Label Propagation算法的子网络社区划分 | 第26-29页 |
| 3.2.1 问题的提出 | 第26-27页 |
| 3.2.2 关系邻接矩阵 | 第27-28页 |
| 3.2.3 基于Label Propagation算法的网络社区划分算法 | 第28-29页 |
| 3.2.4 算法复杂度分析 | 第29页 |
| 3.3 K级自我中心网络的构建 | 第29-32页 |
| 3.3.1 K级自我中心网络构建算法 | 第29-30页 |
| 3.3.2 算法复杂度分析 | 第30-31页 |
| 3.3.3 网络规模大小分析 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于K级自我中心网络的好友推荐 | 第33-47页 |
| 4.1 问题描述 | 第33-35页 |
| 4.1.1 问题提出 | 第33-34页 |
| 4.1.2 问题定义 | 第34-35页 |
| 4.2 基于SimRank的潜在好友推荐模型 | 第35-39页 |
| 4.2.1 用户关系相似度 | 第35页 |
| 4.2.2 基于SimRank算法的潜在好友推荐算法 | 第35-37页 |
| 4.2.3 算法示例 | 第37-39页 |
| 4.2.4 算法复杂度分析 | 第39页 |
| 4.3 基于Unidirectional SimPropagation的潜在好友推荐模型 | 第39-44页 |
| 4.3.1 单向相似度和单向相似度传播的定义 | 第39-40页 |
| 4.3.2 基于Unidirectional SimPropagation的潜在好友推荐算法 | 第40-43页 |
| 4.3.3 算法示例 | 第43页 |
| 4.3.4 算法复杂度分析 | 第43-44页 |
| 4.4 引入好友频繁程度度量模型的意义 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第5章 基于GPS轨迹信息的好友推荐 | 第47-59页 |
| 5.1 问题描述 | 第47-49页 |
| 5.1.1 问题提出 | 第47页 |
| 5.1.2 问题定义 | 第47-49页 |
| 5.2 地理轨迹约简 | 第49-52页 |
| 5.2.1 概念和定义 | 第49-50页 |
| 5.2.2 地理轨迹约简过程 | 第50-51页 |
| 5.2.3 地理轨迹约简算法 | 第51-52页 |
| 5.3 基于距离和趋势度量地理轨迹相似性 | 第52-56页 |
| 5.3.1 地理轨迹的规范化 | 第52-53页 |
| 5.3.2 基于距离和趋势的相似性度量 | 第53-56页 |
| 5.4 参数λ的确定 | 第56-58页 |
| 5.4.1 利用DBSCAN聚类算法度量地理轨迹相似性 | 第57-58页 |
| 5.4.2 利用最小二乘法确定λ | 第58页 |
| 5.5 本章小结 | 第58-59页 |
| 第6章 实验结果及分析 | 第59-69页 |
| 6.1 K级自我中心网络的构建实验设计与分析 | 第59-60页 |
| 6.2 两种基于关系相似度的好友推荐算法比较 | 第60-63页 |
| 6.2.1 评估标准 | 第60-61页 |
| 6.2.2 实验结果及分析 | 第61-63页 |
| 6.3 基于距离和趋势度量地理轨迹相似性实验结果及分析 | 第63-66页 |
| 6.3.1 实验数据 | 第63-64页 |
| 6.3.2 实验结果及分析 | 第64-66页 |
| 6.4 融入GPS地理轨迹信息的好友推荐算法分析 | 第66-67页 |
| 6.5 本章小结 | 第67-69页 |
| 第7章 结论及未来工作 | 第69-71页 |
| 7.1 本文主要工作 | 第69-70页 |
| 7.2 进一步工作 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻硕期间参与项目及发表论文情况 | 第77页 |
