微博中基于社区与节点属性的影响力最大化研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 传播模型的研究情况 | 第10-12页 |
| 1.2.2 影响力最大化问题算法的研究情况 | 第12-14页 |
| 1.2.3 基于社区结构的影响力最大化研究 | 第14页 |
| 1.3 研究目的和意义 | 第14-15页 |
| 1.4 研究内容和主要贡献 | 第15-17页 |
| 1.5 论文结构 | 第17页 |
| 1.6 本章小结 | 第17-18页 |
| 第2章 相关工作 | 第18-27页 |
| 2.1 理论基础 | 第18-20页 |
| 2.1.1 社交网络 | 第18页 |
| 2.1.2 影响力 | 第18页 |
| 2.1.3 影响力最大化问题描述 | 第18-19页 |
| 2.1.4 影响力传播模型 | 第19-20页 |
| 2.2 KKT算法 | 第20页 |
| 2.3 模块度与CNM算法 | 第20-22页 |
| 2.3.1 模块度 | 第20-21页 |
| 2.3.2 CNM算法 | 第21-22页 |
| 2.4 动态规划方法 | 第22-25页 |
| 2.5 snap.py简介 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于社区属性的影响力最大化算法 | 第27-45页 |
| 3.1 研究概述 | 第27-29页 |
| 3.1.1 问题描述 | 第27页 |
| 3.1.2 实验流程 | 第27-29页 |
| 3.2 数据预处理 | 第29-31页 |
| 3.3 采用CNM算法实现社区发现 | 第31-37页 |
| 3.3.1 划分社区 | 第31-34页 |
| 3.3.2 划分社区的结果 | 第34-36页 |
| 3.3.3 还原社区中的节点关系 | 第36-37页 |
| 3.4 采用动态规划方法寻找社区 | 第37-42页 |
| 3.5 采用KKT算法挖掘社区中影响力最大的节点 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 实验及结果分析 | 第45-50页 |
| 4.1 实验条件 | 第45-46页 |
| 4.2 不同λ取值的结果分析 | 第46-48页 |
| 4.3 对比分析 | 第48-49页 |
| 4.4 观察分析 | 第49页 |
| 4.5 本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 附录 | 第56-60页 |
| 附录A 实验原始数据示例 | 第56-59页 |
| 附录B 经过数据预处理的数据示例 | 第59-60页 |
| 致谢 | 第60页 |
