异构信息网络分析模型及其应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-13页 |
| 1 绪论 | 第13-27页 |
| ·研究背景与意义 | 第13-16页 |
| ·研究背景 | 第13-16页 |
| ·研究意义 | 第16页 |
| ·国内外研究现状 | 第16-22页 |
| ·信息网络分析 | 第16-17页 |
| ·聚类分析与服务聚类 | 第17-19页 |
| ·个性化数据查询 | 第19-21页 |
| ·社交网络活动预测 | 第21-22页 |
| ·研究内容与创新点 | 第22-24页 |
| ·主要研究工作 | 第22-24页 |
| ·研究创新点 | 第24页 |
| ·论文组织结构 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 2 异构信息网络描述模型 | 第27-33页 |
| ·信息网络模型 | 第27-28页 |
| ·异构信息网络模型 | 第28-29页 |
| ·典型异构信息网络分析 | 第29-32页 |
| ·互联网异构网络 | 第29-30页 |
| ·Web 服务异构网络 | 第30-31页 |
| ·关系型数据库异构网络 | 第31页 |
| ·异构社交网络 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3 基于异构信息网络分析的排序方法 | 第33-39页 |
| ·数据排序方法分析 | 第33页 |
| ·基于异构网络分析的排序函数 | 第33-36页 |
| ·网络连通性排序 | 第34页 |
| ·非均衡连通性排序 | 第34-35页 |
| ·改进的非均衡连通性排序 | 第35页 |
| ·网络传播性排序 | 第35-36页 |
| ·排序结果分析 | 第36-38页 |
| ·网络连通性排序 | 第36-37页 |
| ·非均衡连通性排序 | 第37页 |
| ·改进的非均衡连通性排序 | 第37页 |
| ·网络传播性排序 | 第37页 |
| ·对比分析 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 4 基于异构信息网络分析的聚类算法 | 第39-77页 |
| ·基于异构信息网络分析的聚类算法基本流程 | 第39-42页 |
| ·聚类思路 | 第39-40页 |
| ·聚类框架 | 第40-41页 |
| ·聚类流程 | 第41-42页 |
| ·异构服务网络描述模型定义 | 第42-53页 |
| ·服务请求各参与方 | 第42页 |
| ·Web 服务关系分析 | 第42-43页 |
| ·异构服务网络 | 第43-45页 |
| ·服务网络提取 | 第45-49页 |
| ·服务网络维护 | 第49-53页 |
| ·SNTCLUS 服务聚类算法流程 | 第53-55页 |
| ·聚类子网排序模型研究 | 第55-60页 |
| ·聚类子网划分 | 第55-56页 |
| ·排序函数研究 | 第56-57页 |
| ·排序概率模型 | 第57-58页 |
| ·排序概率模型改进 | 第58-59页 |
| ·服务排序后验模型 | 第59-60页 |
| ·聚类重组 | 第60-62页 |
| ·服务多维向量模型 | 第60页 |
| ·聚类中心计算 | 第60-61页 |
| ·相似度计算 | 第61页 |
| ·聚类重新划分 | 第61-62页 |
| ·聚类评估方法 | 第62-63页 |
| ·实验分析 | 第63-72页 |
| ·实验数据及环境 | 第63页 |
| ·服务网络提取 | 第63-65页 |
| ·聚类结果分析 | 第65页 |
| ·聚类参数分析 | 第65-70页 |
| ·聚类准确度分析 | 第70-72页 |
| ·基于服务聚类的服务推荐 | 第72-74页 |
| ·本章小结 | 第74-77页 |
| 5 基于异构信息网络分析的个性化查询 | 第77-119页 |
| ·基于异构信息网络分析的个性化查询方法 | 第77-80页 |
| ·问题来源 | 第77-78页 |
| ·基本框架 | 第78-79页 |
| ·方法分析 | 第79页 |
| ·关系型数据库个性化查询 | 第79-80页 |
| ·异构元组网络描述模型 | 第80-94页 |
| ·异构元组网络模型基本定义 | 第80-86页 |
| ·网络结构映射 | 第86-90页 |
| ·多线程映射机制 | 第90-91页 |
| ·网络维护机制 | 第91-93页 |
| ·基于缓存的网络更新机制 | 第93-94页 |
| ·RNRANK 研究思路 | 第94-96页 |
| ·单一数据类别排序算法 RNRANK-I | 第96-102页 |
| ·算法基本流程 | 第96-98页 |
| ·元组排序函数 | 第98-99页 |
| ·元组排序模型概述 | 第99页 |
| ·核心元组排序模型 | 第99-101页 |
| ·属性元组排序模型 | 第101页 |
| ·算法分析 | 第101-102页 |
| ·多数据类别排序算法 RNRANK-II | 第102-105页 |
| ·算法基本流程 | 第102-104页 |
| ·元组网络划分 | 第104页 |
| ·数据元组聚类 | 第104-105页 |
| ·算法分析 | 第105页 |
| ·方法对比分析 | 第105-106页 |
| ·实验分析 | 第106-117页 |
| ·实验目标 | 第106页 |
| ·实验数据集及环境 | 第106-107页 |
| ·元组网络提取与维护 | 第107-110页 |
| ·RNRank-I 算法评估 | 第110-112页 |
| ·RNRank-II 算法评估 | 第112-117页 |
| ·本章小结 | 第117-119页 |
| 6 基于异构信息网络分析的社交活动预测 | 第119-139页 |
| ·基于异构信息网络分析的活动预测模型 | 第119-126页 |
| ·问题来源 | 第119-120页 |
| ·社交网络数据分析 | 第120-123页 |
| ·社交网络结构 | 第123-124页 |
| ·预测模型整体框架 | 第124-125页 |
| ·微博数据聚类 | 第125-126页 |
| ·推理预测 | 第126-127页 |
| ·转发预测 | 第126-127页 |
| ·浏览预测 | 第127页 |
| ·基于用户偏好的分类预测 | 第127-130页 |
| ·兴趣计算 | 第127-128页 |
| ·分类器训练 | 第128-129页 |
| ·预测流程与算法 | 第129-130页 |
| ·基于网络模拟的预测 | 第130-131页 |
| ·预测思想 | 第130页 |
| ·用户行为分析 | 第130-131页 |
| ·预测算法实现 | 第131页 |
| ·基于协同过滤的预测 | 第131-133页 |
| ·数据结构 | 第132页 |
| ·微博相似度计算 | 第132页 |
| ·预测算法 | 第132-133页 |
| ·综合预测模型 | 第133-134页 |
| ·实验分析 | 第134-138页 |
| ·数据集与环境 | 第134页 |
| ·预测模型评估 | 第134-138页 |
| ·本章小结 | 第138-139页 |
| 7 结论与展望 | 第139-141页 |
| ·结论 | 第139-140页 |
| ·展望 | 第140-141页 |
| 致谢 | 第141-143页 |
| 参考文献 | 第143-153页 |
| 附录 | 第153-154页 |
| A. 作者在攻读博士学位期间发表的学术论文目录 | 第153-154页 |
| B. 作者在攻读博士学位期间参与的科研项目 | 第154页 |
| C. 作者在攻读博士学位期间获奖情况 | 第154页 |
