| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第13-33页 |
| 1.1 研究背景、目的和意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 目的和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-28页 |
| 1.2.1 复杂系统 | 第15-16页 |
| 1.2.2 在线社会网络 | 第16-26页 |
| 1.2.3 演化理论及方法 | 第26-28页 |
| 1.3 论文的研究内容 | 第28-30页 |
| 1.4 论文的组织结构 | 第30-33页 |
| 第2章 基于迁移学习的演化分析方法 | 第33-47页 |
| 2.1 引言 | 第33页 |
| 2.2 基本概念 | 第33-36页 |
| 2.2.1 语义在线社会网络 | 第33-35页 |
| 2.2.2 社区结构及评价指标 | 第35页 |
| 2.2.3 基于语义的节点分类方法 | 第35-36页 |
| 2.3 基于迁移学习的在线社会网络社区发现 | 第36-39页 |
| 2.3.1 基于潜在语义分析方法提取网络的种子特征集 | 第36-37页 |
| 2.3.2 应用改进的拉普拉斯特征映射实现特征数据降维 | 第37-38页 |
| 2.3.3 生成网络节点分类器 | 第38-39页 |
| 2.4 实验结果及分析 | 第39-46页 |
| 2.4.1 数据集 | 第39-41页 |
| 2.4.2 结果及分析 | 第41-46页 |
| 2.5 本章小结 | 第46-47页 |
| 第3章 基于量子遗传算法的演化分析方法 | 第47-61页 |
| 3.1 引言 | 第47页 |
| 3.2 基本概念 | 第47-50页 |
| 3.2.1 在线社会网络的语义表示 | 第47-48页 |
| 3.2.2 挖掘标签关系的关联规则算法 | 第48-49页 |
| 3.2.3 网络划分优化算法 | 第49-50页 |
| 3.3 基于APGA算法的在线社会网络社区发现 | 第50-53页 |
| 3.3.1 应用TF-IDF方法提取网络语义标签 | 第50-51页 |
| 3.3.2 基于改进的Apriori算法的数据估计 | 第51页 |
| 3.3.3 基于量子遗传算法的分类优化 | 第51-53页 |
| 3.4 实验结果及分析 | 第53-59页 |
| 3.4.1 数据集 | 第53-55页 |
| 3.4.2 结果及分析 | 第55-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第4章 基于主方程的演化分析方法 | 第61-80页 |
| 4.1 引言 | 第61页 |
| 4.2 主方程方法 | 第61-69页 |
| 4.2.1 概念与公式 | 第61-63页 |
| 4.2.2 主方程的推导 | 第63-67页 |
| 4.2.3 主方程的求解 | 第67-69页 |
| 4.3 基于主方程的网络演化分析 | 第69-74页 |
| 4.3.1 建立网络分析模型 | 第69-70页 |
| 4.3.2 主方程分析网络演化状态 | 第70-71页 |
| 4.3.3 主方程的解析计算 | 第71-74页 |
| 4.4 仿真实例 | 第74-79页 |
| 4.4.1 数据集 | 第74-76页 |
| 4.4.2 数值模拟结果及分析 | 第76-79页 |
| 4.5 本章小结 | 第79-80页 |
| 第5章 基于平均场的演化分析方法 | 第80-96页 |
| 5.1 引言 | 第80页 |
| 5.2 平均场方法 | 第80-91页 |
| 5.2.1 概念与扩展 | 第80-85页 |
| 5.2.2 相关模型 | 第85-86页 |
| 5.2.3 平均场与自组织临界 | 第86-89页 |
| 5.2.4 平均场求解复杂网络 | 第89-91页 |
| 5.3 基于平均场的网络演化分析模型 | 第91-92页 |
| 5.3.1 建立网络分析模型 | 第91页 |
| 5.3.2 方法步骤和变量 | 第91-92页 |
| 5.4 仿真实例 | 第92-95页 |
| 5.4.1 实验参数 | 第92-94页 |
| 5.4.2 数值模拟结果及分析 | 第94-95页 |
| 5.5 本章小结 | 第95-96页 |
| 结论 | 第96-98页 |
| 参考文献 | 第98-108页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第108-109页 |
| 致谢 | 第109页 |
