| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第18-35页 |
| 1.1 课题背景及意义 | 第18-20页 |
| 1.2 链接预测 | 第20-21页 |
| 1.2.1 问题定义 | 第20-21页 |
| 1.2.2 检验指标 | 第21页 |
| 1.3 研究现状 | 第21-31页 |
| 1.3.1 基于相似度的链接预测算法 | 第22-26页 |
| 1.3.2 基于学习理论的链接预测算法 | 第26-30页 |
| 1.3.3 链接预测算法的进一步研究 | 第30-31页 |
| 1.4 研究的难点、目标及内容 | 第31-33页 |
| 1.4.1 研究难点 | 第31页 |
| 1.4.2 研究目标及内容 | 第31-33页 |
| 1.5 本文的组织结构 | 第33-35页 |
| 第二章 基于树状增强朴素贝叶斯模型的链接预测 | 第35-53页 |
| 2.1 引言 | 第35-37页 |
| 2.1.1 朴素贝叶斯理论简介 | 第35页 |
| 2.1.2 基于朴素贝叶斯的链接预测算法 | 第35-36页 |
| 2.1.3 与相关工作的不同之处 | 第36-37页 |
| 2.2 基于树状增强朴素贝叶斯模型的链接预测 | 第37-42页 |
| 2.2.1 朴素贝叶斯链接预测算法 | 第37-39页 |
| 2.2.2 树状增强朴素贝叶斯模型 | 第39页 |
| 2.2.3 基于TAN模型的链接预测算法 | 第39-41页 |
| 2.2.4 算法推广 | 第41-42页 |
| 2.3 实验设置 | 第42-44页 |
| 2.3.1 评价方法 | 第42-43页 |
| 2.3.2 数据集 | 第43-44页 |
| 2.4 实验结果与分析 | 第44-51页 |
| 2.4.1 实验结果简介 | 第44-46页 |
| 2.4.2 实验性能分析 | 第46-51页 |
| 2.5 讨论与小结 | 第51-53页 |
| 第三章 加权朴素贝叶斯链接预测 | 第53-68页 |
| 3.1 引言 | 第53-55页 |
| 3.1.1 加权链接预测算法概述 | 第53-54页 |
| 3.1.2 与相关工作的不同之处 | 第54-55页 |
| 3.2 加权朴素贝叶斯链接预测算法 | 第55-57页 |
| 3.2.1 朴素贝叶斯链接预测算法回顾 | 第55-56页 |
| 3.2.2 加权朴素贝叶斯链接预测算法 | 第56-57页 |
| 3.3 实验设置 | 第57-59页 |
| 3.3.1 评价方法 | 第57-59页 |
| 3.3.2 数据集 | 第59页 |
| 3.4 实验结果与分析 | 第59-66页 |
| 3.4.1 实验结果简介 | 第59-61页 |
| 3.4.2 实验性能分析 | 第61-66页 |
| 3.5 讨论与小结 | 第66-68页 |
| 第四章 融合社区结构差分化共邻节点的链接预测 | 第68-83页 |
| 4.1 引言 | 第68-71页 |
| 4.1.1 社区发现算法概述 | 第68-69页 |
| 4.1.2 基于社区结构的链接预测算法 | 第69-70页 |
| 4.1.3 与相关工作的不同之处 | 第70-71页 |
| 4.2 融合社区结构定义共邻节点贡献的链接预测算法 | 第71-74页 |
| 4.2.1 问题描述 | 第71页 |
| 4.2.2 社区内部链接相似度定义 | 第71-73页 |
| 4.2.3 社区之间链接相似度定义 | 第73-74页 |
| 4.3 实验设置 | 第74-76页 |
| 4.3.1 评价方法 | 第74-76页 |
| 4.3.2 数据集 | 第76页 |
| 4.4 实验结果与分析 | 第76-82页 |
| 4.4.1 实验结果简介 | 第76-77页 |
| 4.4.2 实验性能分析 | 第77-82页 |
| 4.5 讨论与小结 | 第82-83页 |
| 第五章 基于社区结构的平衡模块度最大化的链接预测 | 第83-102页 |
| 5.1 引言 | 第83-85页 |
| 5.1.1 结合学习思想和社区结构的链接预测算法 | 第83-84页 |
| 5.1.2 与相关工作的不同之处 | 第84-85页 |
| 5.2 基于模块度最大化的链接预测算法 | 第85-91页 |
| 5.2.1 问题描述 | 第85-86页 |
| 5.2.2 生成模型 | 第86-87页 |
| 5.2.3 模型说明 | 第87-88页 |
| 5.2.4 特征定义 | 第88-89页 |
| 5.2.5 学习与优化 | 第89-91页 |
| 5.3 实验设置 | 第91-93页 |
| 5.3.1 评价方法 | 第91-92页 |
| 5.3.2 数据集 | 第92-93页 |
| 5.4 实验结果与分析 | 第93-101页 |
| 5.4.1 人工数据集结果分析 | 第93-96页 |
| 5.4.2 真实数据集结果分析 | 第96-101页 |
| 5.5 讨论与小结 | 第101-102页 |
| 第六章 多维度间信息迁移学习的链接预测 | 第102-116页 |
| 6.1 引言 | 第102-105页 |
| 6.1.1 多维网络链接预测算法概述 | 第102-103页 |
| 6.1.2 与相关工作的不同之处 | 第103-105页 |
| 6.2 基于社区结构特征的多维度迁移学习的链接预测模型 | 第105-108页 |
| 6.2.1 模型定义 | 第105-108页 |
| 6.2.2 优化与预测 | 第108页 |
| 6.3 实验设置 | 第108-109页 |
| 6.3.1 评价方法 | 第108-109页 |
| 6.3.2 数据集 | 第109页 |
| 6.4 实验结果与分析 | 第109-115页 |
| 6.4.1 实验结果简介 | 第109-112页 |
| 6.4.2 源网络规模的性能分析 | 第112-113页 |
| 6.4.3 特征对预测性能的影响分析 | 第113-114页 |
| 6.4.4 不同社区发现算法对ITLP的影响分析 | 第114-115页 |
| 6.5 讨论与小结 | 第115-116页 |
| 第七章 一种快速的基于影响力节点识别的链接预测算法 | 第116-132页 |
| 7.1 引言 | 第116-118页 |
| 7.1.1 影响力节点识别概述 | 第116-117页 |
| 7.1.2 与相关工作的不同之处 | 第117-118页 |
| 7.2 基于有影响力节点识别的链接预测 | 第118-122页 |
| 7.2.1 算法框架 | 第118-120页 |
| 7.2.2 无权有影响力节点识别指标 | 第120-121页 |
| 7.2.3 加权有影响力节点识别指标 | 第121-122页 |
| 7.3 实验设置 | 第122-124页 |
| 7.3.1 评价方法 | 第122-123页 |
| 7.3.2 数据集 | 第123-124页 |
| 7.4 实验结果与分析 | 第124-130页 |
| 7.4.1 实验结果简介分析 | 第124-129页 |
| 7.4.2 拓展实验结果简介分析 | 第129-130页 |
| 7.5 讨论与小结 | 第130-132页 |
| 第八章 结论与展望 | 第132-134页 |
| 参考文献 | 第134-146页 |
| 攻读博士学位期间取得的研究成果 | 第146-148页 |
| 致谢 | 第148-149页 |
| 附件 | 第149页 |
