| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究工作的背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 节点相似性理论 | 第12页 |
| 1.2.2 统计推理理论及其应用 | 第12-13页 |
| 1.2.3 社团检测 | 第13-15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 本文的章节安排 | 第16-17页 |
| 第二章 相关理论与技术 | 第17-36页 |
| 2.1 相似性矩阵度量方法 | 第17-22页 |
| 2.1.1 基于距离的相似度矩阵度量方法 | 第18-20页 |
| 2.1.2 基于稀疏子空间的相似性度量方法 | 第20-22页 |
| 2.2 社团检测算法 | 第22-29页 |
| 2.2.1 基于图分割的社团检测算法 | 第23-24页 |
| 2.2.2 基于模块度的社团检测算法 | 第24-27页 |
| 2.2.3 基于谱方法的社团检测算法 | 第27-28页 |
| 2.2.4 基于统计推理的社团检测算法 | 第28-29页 |
| 2.3 期望值最大算法 | 第29-31页 |
| 2.4 评价指标 | 第31-35页 |
| 2.4.1 聚类评价指标 | 第31-33页 |
| 2.4.2 传统社团评价指标 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于统计推理的多元数据分析模型 | 第36-55页 |
| 3.1 问题提出及相关工作 | 第36页 |
| 3.2 相似度矩阵计算 | 第36-41页 |
| 3.2.1 基于距离的相似度矩阵 | 第36-37页 |
| 3.2.2 基于皮尔逊关联的相似度矩阵 | 第37页 |
| 3.2.3 基于压缩感知的相似度矩阵 | 第37-41页 |
| 3.3 基于统计推理的元数据模型 | 第41-44页 |
| 3.3.1 元数据 | 第41-42页 |
| 3.3.2 基于统计推理的模型构建 | 第42-44页 |
| 3.4 实验分析与结果 | 第44-54页 |
| 3.4.1 计算机合成数据实验 | 第45-49页 |
| 3.4.2 引文网络数据实验 | 第49-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于统计推理的多元金融数据挖掘应用 | 第55-79页 |
| 4.1 问题提出及相关工作 | 第55页 |
| 4.2 金融数据集介绍 | 第55-58页 |
| 4.2.1 标准普尔500指数成分股数据集 | 第55-57页 |
| 4.2.2 上海证券交易所主板股份数据集 | 第57-58页 |
| 4.3 基于多元金融时序数据的网络拓扑建模 | 第58-60页 |
| 4.4 基于统计推理的金融网络多元数据结构挖掘及分析 | 第60-78页 |
| 4.4.1 低频金融网络数据实验及分析 | 第60-71页 |
| 4.4.2 高频金融网络数据实验及分析 | 第71-78页 |
| 4.5 本章小结 | 第78-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 本文总结 | 第79-80页 |
| 5.2 研究展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻硕期间取得的成果 | 第86页 |