社区发现算法推荐系统的设计与实现
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 主要符号对照表 | 第8-9页 |
| 第1章 引言 | 第9-21页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外相关研究 | 第11-19页 |
| 1.2.1 社区发现算法 | 第11-15页 |
| 1.2.2 图的核方法 | 第15-17页 |
| 1.2.3 图的嵌入方法 | 第17-19页 |
| 1.3 研究内容和贡献 | 第19-20页 |
| 1.4 本文组织结构 | 第20-21页 |
| 第2章 面向社区发现的算法推荐系统概览 | 第21-25页 |
| 2.1 系统框架概览 | 第21-22页 |
| 2.2 功能模块 | 第22-24页 |
| 2.2.1 算法执行模块 | 第22-23页 |
| 2.2.2 算法推荐模块 | 第23-24页 |
| 2.2.3 可视化模块 | 第24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 算法执行模块 | 第25-33页 |
| 3.1 基于通用框架的社区发现算法分析 | 第25-28页 |
| 3.1.1 Attractor算法咅丨J析 | 第25-27页 |
| 3.1.2 DNR算法剖析 | 第27-28页 |
| 3.2 Python接口实现与介绍 | 第28-30页 |
| 3.2.1 Python接口实现 | 第29页 |
| 3.2.2 Python包接口说明 | 第29-30页 |
| 3.3 Web Service实现与介绍 | 第30-32页 |
| 3.3.1 Web Service接口实现 | 第31页 |
| 3.3.2 Web Service使用介绍 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 算法推荐模块 | 第33-58页 |
| 4.1 问题定义及解决思路 | 第33-35页 |
| 4.1.1 问题定义 | 第33页 |
| 4.1.2 解决思路 | 第33-35页 |
| 4.2 算法概述 | 第35-37页 |
| 4.3 图的特征表示的抽取 | 第37-46页 |
| 4.3.1 基于2-hop邻居结构的特征抽取 | 第37-40页 |
| 4.3.2 基于规范化邻居结构的特征抽取 | 第40-42页 |
| 4.3.3 基于随机游走的特征抽取 | 第42-45页 |
| 4.3.4 特征矩阵构建 | 第45-46页 |
| 4.4 面向社区发现的算法推荐模型 | 第46-48页 |
| 4.4.1 模型设计 | 第47-48页 |
| 4.4.2 模型学习 | 第48页 |
| 4.5 实验 | 第48-56页 |
| 4.5.1 实验准备 | 第48-50页 |
| 4.5.2 实验度量指标 | 第50页 |
| 4.5.3 对比算法 | 第50-51页 |
| 4.5.4 合成数据集分析 | 第51-52页 |
| 4.5.5 合成数据集结果 | 第52-55页 |
| 4.5.6 真实数据集样例 | 第55-56页 |
| 4.6 本章小结 | 第56-58页 |
| 第5章 可视化模块 | 第58-64页 |
| 5.1 算法执行功能 | 第58-60页 |
| 5.1.1 预设置 | 第58-59页 |
| 5.1.2 算法执行结果 | 第59-60页 |
| 5.2 算法推荐功能 | 第60-62页 |
| 5.2.1 预设置 | 第61页 |
| 5.2.2 算法推荐结果 | 第61-62页 |
| 5.3 指标计算功能 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 本文工作总结 | 第64-65页 |
| 6.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-71页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第71页 |
