| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 Web网络社区发现的背景与意义 | 第15-16页 |
| 1.2 社区发现研究的相关工作 | 第16-19页 |
| 1.2.1 现有的社区发现方法 | 第16-18页 |
| 1.2.2 各种方法的分析比较 | 第18-19页 |
| 1.3 Web网络社区发现中若干关键问题 | 第19-20页 |
| 1.3.1 Web网络的局部性 | 第19页 |
| 1.3.2 Web网络的异质性 | 第19页 |
| 1.3.3 社区发现关于局部性与异质性的问题分析 | 第19-20页 |
| 1.4 论文主要工作和章节安排 | 第20-25页 |
| 1.4.1 论文主要工作 | 第20-22页 |
| 1.4.2 论文章节安排 | 第22-25页 |
| 第二章 Web网络社区发现的关键问题概述 | 第25-41页 |
| 2.1 社区发现的基本概念 | 第25-29页 |
| 2.1.1 网络定义 | 第25页 |
| 2.1.2 社区结构定义 | 第25-27页 |
| 2.1.3 社区结构评价 | 第27-29页 |
| 2.2 Web网络模型与社区结构特征 | 第29-36页 |
| 2.2.1 局部网络模型与局部社区结构 | 第29-30页 |
| 2.2.2 二分网络模型与社区结构 | 第30-32页 |
| 2.2.3 异质网络模型与社区结构 | 第32-36页 |
| 2.3 基于局部性和异质性的社区发现研究现状 | 第36-39页 |
| 2.3.1 局部社区发现 | 第36-37页 |
| 2.3.2 异质网络社区发现 | 第37-39页 |
| 2.4 小结 | 第39-41页 |
| 第三章 基于边界识别的局部社区发现 | 第41-53页 |
| 3.1 引言 | 第41页 |
| 3.2 局部社区发现的研究现状 | 第41-43页 |
| 3.2.1 相关工作 | 第41-42页 |
| 3.2.2 问题分析 | 第42-43页 |
| 3.3 基于边界识别的局部社区发现 | 第43-47页 |
| 3.3.1 相关定义 | 第43-44页 |
| 3.3.2 一种基于边界识别的局部社区发现算法 | 第44-47页 |
| 3.4 实验与结果分析 | 第47-51页 |
| 3.4.1 评价准则与指标 | 第47页 |
| 3.4.2 计算机生成网络 | 第47-49页 |
| 3.4.3 真实网络 | 第49-51页 |
| 3.5 小结 | 第51-53页 |
| 第四章 基于核心节点跳转的局部社区发现 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 基于核心节点跳转 | 第53-55页 |
| 4.2.1 问题分析 | 第53-54页 |
| 4.2.2 基于核心节点跳转的局部社区发现 | 第54-55页 |
| 4.2.3 基于核心节点跳转的算法设计 | 第55页 |
| 4.3 基于核心节点跳转的局部社区发现 | 第55-59页 |
| 4.3.1 相关定义 | 第56-57页 |
| 4.3.2 核心节点选取 | 第57-58页 |
| 4.3.3 一种基于核心节点跳转的局部社区发现算法 | 第58-59页 |
| 4.3.4 复杂度分析 | 第59页 |
| 4.4 实验与结果分析 | 第59-64页 |
| 4.4.1 评价准则与指标 | 第59页 |
| 4.4.2 真实网络 | 第59-62页 |
| 4.4.3 计算机生成网络 | 第62-64页 |
| 4.5 小结 | 第64-65页 |
| 第五章 基于图正则化的二分网络社区发现 | 第65-81页 |
| 5.1 引言 | 第65页 |
| 5.2 问题分析 | 第65-66页 |
| 5.3 半监督学习 | 第66-68页 |
| 5.3.1 背景知识 | 第66-67页 |
| 5.3.2 半监督假设 | 第67页 |
| 5.3.3 基于图正则化的半监督学习方法 | 第67-68页 |
| 5.4 非负矩阵分解在社区发现的应用 | 第68-71页 |
| 5.4.1 非负矩阵分解 | 第68-70页 |
| 5.4.2 基于NMTF的二分网络社区发现 | 第70-71页 |
| 5.5 基于图正则化的二分网络社区发现 | 第71-77页 |
| 5.5.1 二模节点的图正则化 | 第72-73页 |
| 5.5.2 一种基于图正则化的三重非负矩阵分解算法 | 第73-74页 |
| 5.5.3 算法优化 | 第74-77页 |
| 5.6 实验与结果分析 | 第77-80页 |
| 5.6.1 计算机生成网络 | 第77-78页 |
| 5.6.2 真实网络 | 第78-80页 |
| 5.7 小结 | 第80-81页 |
| 第六章 基于多视图学习的异质网络社区发现 | 第81-93页 |
| 6.1 引言 | 第81页 |
| 6.2 问题分析 | 第81-82页 |
| 6.3 多视图学习在异质网络社区发现的应用 | 第82-83页 |
| 6.3.1 异质网络的多视图 | 第82-83页 |
| 6.3.2 基于多视图的半监督学习 | 第83页 |
| 6.4 基于多视图学习的异质网络社区发现 | 第83-89页 |
| 6.4.1 联合矩阵非负分解模型 | 第84-85页 |
| 6.4.2 多视图学习的目标函数 | 第85-86页 |
| 6.4.3 一种基于多视图学习的联合矩阵非负分解算法 | 第86-88页 |
| 6.4.4 收敛性与复杂度分析 | 第88-89页 |
| 6.5 实验与分析 | 第89-92页 |
| 6.5.1 实验数据 | 第89-90页 |
| 6.5.2 评价指标 | 第90页 |
| 6.5.3 实验结果与分析 | 第90-92页 |
| 6.6 小结 | 第92-93页 |
| 第七章 结束语 | 第93-97页 |
| 7.1 论文主要创新点与研究成果 | 第93-94页 |
| 7.1.1 主要创新点 | 第93页 |
| 7.1.2 主要研究成果 | 第93-94页 |
| 7.2 后续工作展望 | 第94-97页 |
| 致谢 | 第97-99页 |
| 参考文献 | 第99-109页 |
| 作者简历攻读博士学位期间完成的主要工作 | 第109-110页 |
