| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 研究意义 | 第11页 |
| 1.4 论文创新 | 第11-13页 |
| 1.5 论文结构 | 第13-14页 |
| 第2章 社团发现和社会媒体挖掘概述 | 第14-20页 |
| 2.1 社会媒体与社团发现 | 第14-16页 |
| 2.1.1 社会媒体 | 第14-15页 |
| 2.1.2 社团发现 | 第15-16页 |
| 2.2 节点和联系 | 第16-17页 |
| 2.2.1 节点的重要性 | 第16-17页 |
| 2.2.2 联系的强度 | 第17页 |
| 2.3 社团发现与评价 | 第17-18页 |
| 2.4 本章小结 | 第18-20页 |
| 第3章 基于高斯混合模型、结合拓扑与内容的社团发现方法 | 第20-40页 |
| 3.1 CODICIL算法 | 第20-22页 |
| 3.2 高斯混合模型(GMM) | 第22-27页 |
| 3.3 FlexMix软件包简介 | 第27-29页 |
| 3.4 在高斯混合模型基础上的新方法改进 | 第29-35页 |
| 3.4.1 网络图中内容边的创建 | 第30-32页 |
| 3.4.2 对边集合的融合及采样 | 第32-34页 |
| 3.4.3 聚类划分采样网络图 | 第34-35页 |
| 3.5 实验过程及结果分析 | 第35-37页 |
| 3.6 本章小结 | 第37-40页 |
| 第4章 基于非负矩阵分解(NMF)结合拓扑与内容的社团发现方法 | 第40-62页 |
| 4.1 非负矩阵分解(NMF) | 第40-46页 |
| 4.2 模块度的最大化分析 | 第46-48页 |
| 4.3 K均值(K-means)聚类算法 | 第48-50页 |
| 4.4 在非负矩阵分解基础上的新方法创新 | 第50-57页 |
| 4.4.1 非负矩阵分解在拓扑结构构建的模型 | 第51-52页 |
| 4.4.2 内容属性的非负矩阵分解模型 | 第52-53页 |
| 4.4.3 模块度模型 | 第53-54页 |
| 4.4.4 结合拓扑与内容建立模块化的非负矩阵分解模型 | 第54-57页 |
| 4.5 实验过程及结果分析 | 第57-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 发表论文和参加科研情况说明 | 第68-70页 |
| 致谢 | 第70页 |
