基于复杂网络的社区发现算法研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第一章 绪论 | 第7-19页 |
| 1.1 研究背景与意义 | 第7-10页 |
| 1.2 研究现状 | 第10-16页 |
| 1.2.1 基于图分割的社区发现算法 | 第11-12页 |
| 1.2.2 基于聚类思想的社区发现算法 | 第12-13页 |
| 1.2.3 基于启发式的社区发现算法。 | 第13-14页 |
| 1.2.4 社区发现的新模型和新方法 | 第14-16页 |
| 1.3 主要内容和章节结构 | 第16-19页 |
| 1.3.1 主要内容 | 第16页 |
| 1.3.2 组织结构 | 第16-19页 |
| 第二章 社区划分基础理论 | 第19-31页 |
| 2.1 复杂网络相关概念 | 第19-23页 |
| 2.1.1 复杂网络结构特征 | 第19-20页 |
| 2.1.2 复杂网络模型 | 第20-23页 |
| 2.2 聚类分析和社区发现 | 第23-26页 |
| 2.2.1 从社区划分到聚类分析 | 第23-25页 |
| 2.2.2 从聚类分析到社区划分 | 第25-26页 |
| 2.2.3 聚类分析与社区划分的关联 | 第26页 |
| 2.3 基于相似度的传统聚类算法 | 第26-30页 |
| 2.3.1 层次聚类算法 | 第27页 |
| 2.3.2 谱聚类算法 | 第27-28页 |
| 2.3.3 近邻传播算法 | 第28-29页 |
| 2.3.4 马尔科夫聚类算法 | 第29页 |
| 2.3.5 K均值算法 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 密度峰值聚类的自适应社区发现算法 | 第31-45页 |
| 3.1 社区发现机制 | 第31-33页 |
| 3.2 基于网络拓扑信息的距离度量 | 第33-34页 |
| 3.3 社区信息的计算 | 第34-38页 |
| 3.3.1 密度峰值聚类 | 第34-35页 |
| 3.3.2 结合热扩散模型 | 第35-37页 |
| 3.3.3 最优带宽以及核心节点选取 | 第37-38页 |
| 3.4 实验设计 | 第38-40页 |
| 3.4.1 数据集 | 第38-40页 |
| 3.4.2 评价指标 | 第40页 |
| 3.5 实验结果与分析 | 第40-44页 |
| 3.5.1 真实网络 | 第40-43页 |
| 3.5.2 LFR人工基准网络 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于局部增量的动态社区发现算法 | 第45-57页 |
| 4.1 社区发现机制 | 第45-46页 |
| 4.2 增量式模型 | 第46-48页 |
| 4.2.1 算法思想 | 第46-47页 |
| 4.2.2 增量式算法思想 | 第47-48页 |
| 4.3 网络增量与网络结构的关系 | 第48-51页 |
| 4.3.1 基于点增量的社区变化 | 第48-49页 |
| 4.3.2 基于边增量的社区变化 | 第49-51页 |
| 4.4 实验设计 | 第51-52页 |
| 4.4.1 数据集 | 第51-52页 |
| 4.4.2 模块度 | 第52页 |
| 4.5 实验结果与分析 | 第52-55页 |
| 4.6 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 后期展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 发表论文和参加科研情况说明 | 第65-67页 |
| 致谢 | 第67页 |
