| 论文创新点 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第14-23页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 研究现状 | 第16-19页 |
| 1.2.1 非重叠社区发现 | 第16-17页 |
| 1.2.2 重叠社区发现 | 第17-19页 |
| 1.2.3 社区发现存在的问题 | 第19页 |
| 1.3 本文主要内容 | 第19-20页 |
| 1.4 本文结构安排 | 第20-23页 |
| 第2章 相关工作介绍 | 第23-33页 |
| 2.1 社区发现相关工作 | 第23-29页 |
| 2.1.1 基于划分的GN方法 | 第24页 |
| 2.1.2 基于模块度优化的方法 | 第24-25页 |
| 2.1.3 基于动力学的随机游走方法 | 第25页 |
| 2.1.4 基于子图的方法 | 第25-26页 |
| 2.1.5 基于边聚类的方法 | 第26-27页 |
| 2.1.6 基于拓扑势的方法 | 第27页 |
| 2.1.7 基于非负矩阵分解的方法 | 第27-28页 |
| 2.1.8 基于标签传播的方法 | 第28-29页 |
| 2.2 社区发现评价方法 | 第29-32页 |
| 2.2.1 模块度函数 | 第29-30页 |
| 2.2.2 归一化互信息 | 第30页 |
| 2.2.3 准确度和F-score | 第30-31页 |
| 2.2.4 社区重叠度Overlap | 第31页 |
| 2.2.5 综合指标F值 | 第31页 |
| 2.2.6 社区集中度HIM | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于网络嵌入学习的社区发现研究 | 第33-51页 |
| 3.1 基于闭回路采样的网络嵌入社区发现模型 | 第34-42页 |
| 3.1.1 相关工作 | 第34-36页 |
| 3.1.2 闭回路采样的网络嵌入学习模型框架 | 第36-40页 |
| 3.1.2.1 闭回路采样 | 第36-38页 |
| 3.1.2.2 特征学习 | 第38-40页 |
| 3.1.3 实验分析 | 第40-42页 |
| 3.1.3.1 数据集介绍 | 第40页 |
| 3.1.3.2 实验设置 | 第40-41页 |
| 3.1.3.3 实验结果 | 第41-42页 |
| 3.1.4 本节小结 | 第42页 |
| 3.2 基于链接特征的网络嵌入社区发现模型 | 第42-51页 |
| 3.2.1 相关工作 | 第43-44页 |
| 3.2.2 问题定义 | 第44页 |
| 3.2.3 链接特征的构建 | 第44-45页 |
| 3.2.4 基于链接特征的网络嵌入模型分析 | 第45-47页 |
| 3.2.5 实验分析 | 第47-50页 |
| 3.2.5.1 数据集介绍 | 第47页 |
| 3.2.5.2 实验设置 | 第47-48页 |
| 3.2.5.3 实验结果 | 第48-50页 |
| 3.2.6 本节小结 | 第50-51页 |
| 第4章 基于标签传播的重叠社区发现研究 | 第51-86页 |
| 4.1 基于标签传播概率的重叠社区发现 | 第51-68页 |
| 4.1.1 LPPB算法的思想和步骤 | 第52-59页 |
| 4.1.1.1 网络的传播特性 | 第52-53页 |
| 4.1.1.2 结点更新顺序 | 第53-54页 |
| 4.1.1.3 结点的属性特征 | 第54-55页 |
| 4.1.1.4 标签传播概率 | 第55-56页 |
| 4.1.1.5 标签传播过程 | 第56-57页 |
| 4.1.1.6 过滤矩阵和标准化 | 第57页 |
| 4.1.1.7 迭代停止条件 | 第57-58页 |
| 4.1.1.8 后处理 | 第58页 |
| 4.1.1.9 LPPB算法伪代码 | 第58-59页 |
| 4.1.2 算法复杂度分析 | 第59页 |
| 4.1.3 实验分析 | 第59-68页 |
| 4.1.3.1 数据集和评估方法 | 第59页 |
| 4.1.3.2 参数k的选择 | 第59-60页 |
| 4.1.3.3 基准数据集实验 | 第60-61页 |
| 4.1.3.4 C-DBLP数据集实验 | 第61-68页 |
| 4.2 多标签传播方式的重叠社区发现 | 第68-76页 |
| 4.2.1 MLPS算法的思想和步骤 | 第68-72页 |
| 4.2.1.1 多标签传播方式 | 第68-71页 |
| 4.2.1.2 MLPS算法的流程 | 第71-72页 |
| 4.2.2 算法复杂度分析 | 第72-73页 |
| 4.2.3 实验分析 | 第73-76页 |
| 4.2.3.1 实验设置 | 第73页 |
| 4.2.3.2 合成网络实验 | 第73-75页 |
| 4.2.3.3 真实网络实验 | 第75-76页 |
| 4.3 基于CORE-LEADER的标签传播社区发现 | 第76-86页 |
| 4.3.1 CLBLPA算法的思想和步骤 | 第76-80页 |
| 4.3.1.1 社区的Core-leader | 第76-79页 |
| 4.3.1.2 标签影响势 | 第79-80页 |
| 4.3.1.3 CLBLPA算法 | 第80页 |
| 4.3.2 算法的复杂度分析 | 第80-81页 |
| 4.3.3 实验分析 | 第81-86页 |
| 4.3.3.1 合成网络实验 | 第81-82页 |
| 4.3.3.2 真实网络实验 | 第82-86页 |
| 第5章 融合网络嵌入学习和标签传播的社区发现 | 第86-95页 |
| 5.1 融合算法基本思路 | 第86-87页 |
| 5.2 融合算法步骤 | 第87-90页 |
| 5.2.1 网络嵌入学习模块 | 第87-88页 |
| 5.2.2 结点距离矩阵 | 第88页 |
| 5.2.3 标签传播模块 | 第88-90页 |
| 5.3 实验分析 | 第90-94页 |
| 5.3.1 数据集介绍 | 第90-91页 |
| 5.3.2 实验设置 | 第91-92页 |
| 5.3.3 结果分析 | 第92-94页 |
| 5.3.3.1 真实数据集实验 | 第92-93页 |
| 5.3.3.2 合成数据集实验 | 第93-94页 |
| 5.4 本章小结 | 第94-95页 |
| 第6章 基于重叠社区的结构分析及结构洞识别 | 第95-108页 |
| 6.1 重叠社区结构分析 | 第95-99页 |
| 6.1.1 社区重叠结点的行为分析 | 第95-98页 |
| 6.1.2 网络的演化趋势分析 | 第98-99页 |
| 6.2 结构洞分析 | 第99-107页 |
| 6.2.1 社区间的结构洞识别算法SHCDA | 第100-102页 |
| 6.2.2 SHCDA实验 | 第102-107页 |
| 6.2.2.1 数据集介绍 | 第102-103页 |
| 6.2.2.2 Karate数据集实验 | 第103-104页 |
| 6.2.2.3 Coauthor数据集实验 | 第104-105页 |
| 6.2.2.4 新浪微博数据集实验 | 第105-107页 |
| 6.3 本章小结 | 第107-108页 |
| 第7章 总结与展望 | 第108-110页 |
| 参考文献 | 第110-118页 |
| 攻博期间发表的科研成果目录 | 第118-119页 |
| 致谢 | 第119页 |