基于独立级联模型的社交网络影响力最大化研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.3 现有工作的不足 | 第18-19页 |
| 1.4 本文的研究内容 | 第19页 |
| 1.5 本文的组织结构 | 第19-21页 |
| 第2章 相关理论与知识 | 第21-28页 |
| 2.1 社交影响力及其传播模型 | 第21-23页 |
| 2.1.1 独立级联模型 | 第22页 |
| 2.1.2 线性阈值模型 | 第22-23页 |
| 2.1.3 传染病模型 | 第23页 |
| 2.2 影响力最大化及相关理论知识 | 第23-25页 |
| 2.2.1 影响力最大化的定义与描述 | 第23-24页 |
| 2.2.2 子模函数 | 第24页 |
| 2.2.3 影响力最大化算法的评价指标 | 第24-25页 |
| 2.3 相关算法 | 第25-27页 |
| 2.3.1 朴素贪心算法 | 第25-26页 |
| 2.3.2 CELF贪心算法 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 两种基于度的启发式影响力最大化算法 | 第28-43页 |
| 3.1 原始的度中心性算法 | 第28-29页 |
| 3.2 度中心性算法的缺点——重叠效应 | 第29页 |
| 3.3 基于度的改进算法——DDS和DCDC | 第29-31页 |
| 3.4 DDS算法 | 第31-33页 |
| 3.4.1 DDS算法的设计思想 | 第31-32页 |
| 3.4.2 DDS算法的实现 | 第32页 |
| 3.4.3 DDS算法分析 | 第32-33页 |
| 3.5 DCDC算法 | 第33-34页 |
| 3.5.1 DCDC算法的设计思想 | 第33-34页 |
| 3.5.2 DCDC算法的实现 | 第34页 |
| 3.5.3 DCDC算法分析 | 第34页 |
| 3.6 实验与分析 | 第34-42页 |
| 3.6.1 实验数据集 | 第34-35页 |
| 3.6.2 DDS算法的参数实验 | 第35-38页 |
| 3.6.3 DCDC算法的参数实验 | 第38-40页 |
| 3.6.4 算法对比实验 | 第40-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第4章 基于度的搜索策略的进化算法 | 第43-62页 |
| 4.1 算法的研究动机 | 第43-45页 |
| 4.1.1 代表性算法的不足 | 第43页 |
| 4.1.2 智能算法及其优势 | 第43-44页 |
| 4.1.3 差分进化算法 | 第44-45页 |
| 4.2 DDSE算法设计思路及框架 | 第45-47页 |
| 4.2.1 算法设计思路 | 第45页 |
| 4.2.2 算法框架与流程 | 第45-46页 |
| 4.2.3 个体的编码方式 | 第46页 |
| 4.2.4 适应度函数 | 第46-47页 |
| 4.2.5 DDS算法的应用 | 第47页 |
| 4.3 算法实现和伪代码 | 第47-52页 |
| 4.3.1 种群初始化 | 第47-49页 |
| 4.3.2 变异算子 | 第49-50页 |
| 4.3.3 交叉算子 | 第50页 |
| 4.3.4 选择算子 | 第50页 |
| 4.3.5 Gbest的局部优化 | 第50-51页 |
| 4.3.6 DDSE算法的伪代码 | 第51-52页 |
| 4.4 算法的复杂度分析 | 第52-53页 |
| 4.5 实验与分析 | 第53-61页 |
| 4.5.1 实验数据集 | 第53页 |
| 4.5.2 DDSE算法的参数实验 | 第53-56页 |
| 4.5.3 对比实验分析 | 第56-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-63页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间的研究成果 | 第68页 |
