基于概率图模型的社区发现算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 研究问题和现状 | 第12-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第二章 图模型和社区发现介绍 | 第16-28页 |
| 2.1 图模型理论介绍 | 第16-19页 |
| 2.1.1 有向图模型 | 第16-17页 |
| 2.1.2 无向图模型 | 第17-19页 |
| 2.2 图模型的近似推断 | 第19-22页 |
| 2.2.1 变分推断 | 第19-20页 |
| 2.2.2 蒙特卡洛推断 | 第20-21页 |
| 2.2.3 MCMC和吉布斯采样 | 第21-22页 |
| 2.3 社区发现中的图模型 | 第22-28页 |
| 2.3.1 由结点产生边的图模型 | 第23-25页 |
| 2.3.2 由边产生结点的图模型 | 第25-28页 |
| 第三章 基于泊松分布的图模型和社区发现 | 第28-44页 |
| 3.1 基于泊松分布的图模型 | 第28-34页 |
| 3.1.1 边连接服从泊松分布的假设 | 第28-30页 |
| 3.1.2 泊松分布与随机块结合的图模型 | 第30-31页 |
| 3.1.3 泊松分布图模型的优势 | 第31-34页 |
| 3.2 吉布斯采样算法的实现及优化 | 第34-40页 |
| 3.2.1 吉布斯采样算法 | 第34-36页 |
| 3.2.2 算法在空间和时间上的优化 | 第36-37页 |
| 3.2.3 算法在无向网络中的扩展 | 第37-38页 |
| 3.2.4 算法对缺失数据的处理 | 第38-39页 |
| 3.2.5 算法流程图 | 第39-40页 |
| 3.3 模型在社区发现和链接预测中的应用 | 第40-44页 |
| 3.3.1 重叠社区发现 | 第41页 |
| 3.3.2 链接预测 | 第41-44页 |
| 第四章 实验结果和分析 | 第44-56页 |
| 4.1 社区划分的评价指标 | 第44-46页 |
| 4.2 实验数据集介绍及结果分析 | 第46-56页 |
| 4.2.1 政治博客数据集 | 第46-48页 |
| 4.2.2 Chesapeake海湾数据集 | 第48-50页 |
| 4.2.3 ego网络数据集 | 第50-52页 |
| 4.2.4 Protein230数据集 | 第52-56页 |
| 第五章 总结和展望 | 第56-58页 |
| 5.1 本文总结 | 第56页 |
| 5.2 未来展望 | 第56-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60-62页 |
| 攻读学位期间取得的研究成果 | 第62页 |
