| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第11-15页 |
| 1.2 论文的主要工作和贡献 | 第15-18页 |
| 1.3 论文的组织结构 | 第18-20页 |
| 第二章 相关基础知识与概念 | 第20-30页 |
| 2.1 复杂网络 | 第20-21页 |
| 2.2 网络的社团结构 | 第21-22页 |
| 2.3 网络的层次聚类 | 第22-24页 |
| 2.4 谱分析 | 第24-28页 |
| 2.4.1 谱聚类 | 第25页 |
| 2.4.2 拉普拉斯矩阵 | 第25-27页 |
| 2.4.3 谱聚类算法描述 | 第27页 |
| 2.4.4 基于谱分析聚类面临的问题和优点 | 第27-28页 |
| 2.5 链路预测 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 LPA-CBD:基于社团归属度的标签传播算法 | 第30-54页 |
| 3.1 引言 | 第30-32页 |
| 3.2 标签传播算法及算法缺点 | 第32-36页 |
| 3.2.1 标签传播算法 | 第32-34页 |
| 3.2.2 标签传播算法的缺点 | 第34-36页 |
| 3.3 目前社团发现算法存在的两个主要问题 | 第36-37页 |
| 3.4 本章方法描述 | 第37-42页 |
| 3.4.1 概念定义 | 第38-39页 |
| 3.4.2 算法步骤 | 第39-41页 |
| 3.4.3 算法复杂度分析 | 第41页 |
| 3.4.4 对比算法和实验评价标准 | 第41-42页 |
| 3.5 实验实施 | 第42-51页 |
| 3.5.1 空手道俱乐部网络 | 第42-44页 |
| 3.5.2 宽吻海豚社交网络 | 第44-45页 |
| 3.5.3 较大的网络 | 第45-50页 |
| 3.5.4 人造网络 | 第50-51页 |
| 3.6 实验结果讨论 | 第51-53页 |
| 3.6.1 算法复杂度对比 | 第51-52页 |
| 3.6.2 算法结果对比 | 第52-53页 |
| 3.7 本章小结 | 第53-54页 |
| 第四章 SAoLG:线图的谱分析在重叠社团检测中的研究 | 第54-87页 |
| 4.1 引言 | 第54-56页 |
| 4.2 方法描述 | 第56-59页 |
| 4.2.1 边图 | 第56-57页 |
| 4.2.2 拉普拉斯矩阵的特征向量选择 | 第57页 |
| 4.2.3 相似度计算方法 | 第57-59页 |
| 4.2.4 算法原理 | 第59页 |
| 4.3 相似度的选择 | 第59-64页 |
| 4.3.1 网络和评价标准 | 第60页 |
| 4.3.2 实验 | 第60-64页 |
| 4.4 截断函数的选择和实验需要的网络 | 第64-66页 |
| 4.4.1 截断函数的选择 | 第64-65页 |
| 4.4.2 网络 | 第65-66页 |
| 4.5 基于SAoLG算法的重叠社团检测实验 | 第66-79页 |
| 4.5.1 第一类网络 | 第66-72页 |
| 4.5.1.1 标准网络 | 第66-67页 |
| 4.5.1.2 空手道网络 | 第67-69页 |
| 4.5.1.3 海豚社交网络 | 第69-72页 |
| 4.5.1.4 实验结果讨论 | 第72页 |
| 4.5.2 第二类网络 | 第72-79页 |
| 4.5.2.1 美国政治家联盟网络 | 第72-74页 |
| 4.5.2.2 美国足球队网络 | 第74-75页 |
| 4.5.2.3 爵士音乐网络 | 第75-77页 |
| 4.5.2.4 Web-google网络 | 第77-78页 |
| 4.5.2.5 实验结果讨论 | 第78-79页 |
| 4.6 SAoLG算法在有权图上的扩展应用—SAWEG算法 | 第79-85页 |
| 4.6.1 方法描述 | 第79-81页 |
| 4.6.2 SAWEG算法步骤 | 第81页 |
| 4.6.3 SAWEG算法实验结果 | 第81-85页 |
| 4.6.3.1 标准网络 | 第81-82页 |
| 4.6.3.2 空手道网络 | 第82-83页 |
| 4.6.3.3 海豚网络 | 第83页 |
| 4.6.3.4 美国足球队网络 | 第83-85页 |
| 4.7 本章小结 | 第85-87页 |
| 4.7.1 相似度讨论 | 第85页 |
| 4.7.2 算法讨论 | 第85-86页 |
| 4.7.3 总结 | 第86-87页 |
| 第五章 LPbSA:基于谱分析的链路预测研究 | 第87-130页 |
| 5.1 引言 | 第87-88页 |
| 5.2 现有链路预测方法 | 第88-93页 |
| 5.2.1 基于节点相似性的链路预测 | 第88-92页 |
| 5.2.2 基于最大似然估计的链路预测 | 第92页 |
| 5.2.3 基于机器学习的链路预测 | 第92-93页 |
| 5.3 LPbSA：基于谱分析的链路预测 | 第93-107页 |
| 5.3.1 知识准备 | 第93-99页 |
| 5.3.2 本章提出的算法—LPbSA | 第99-100页 |
| 5.3.3 评价方法 | 第100-102页 |
| 5.3.4 实验数据集 | 第102-107页 |
| 5.4 基于LPbSA方法的链路预测 | 第107-127页 |
| 5.4.1 欠采样--Undersampling | 第107-114页 |
| 5.4.2 SMOTE | 第114-121页 |
| 5.4.3 LPbSA算法实施 | 第121-124页 |
| 5.4.4 实验结果讨论 | 第124-127页 |
| 5.5 本章小结 | 第127-130页 |
| 第六章 总结和展望 | 第130-132页 |
| 6.1 总结 | 第130-131页 |
| 6.2 展望 | 第131-132页 |
| 参考文献 | 第132-142页 |
| 在学期间的研究成果 | 第142-143页 |
| 致谢 | 第143页 |
