| 目录 | 第1-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景 | 第7-9页 |
| ·本文工作 | 第9-10页 |
| ·论文的组织结构 | 第10-11页 |
| 第二章 背景知识和相关工作 | 第11-21页 |
| ·背景知识 | 第11-16页 |
| ·社会网络的图模型 | 第11-12页 |
| ·两个基本传播模型 | 第12-16页 |
| ·线性阈值模型(Linear Threshold Model) | 第13-15页 |
| ·独立级联模型(Independent Cascading Model) | 第15-16页 |
| ·相关工作 | 第16-21页 |
| ·简单的启发式算法 | 第16-17页 |
| ·集合覆盖贪婪算法(Set Cover Greedy Algorithm) | 第17-18页 |
| ·爬山贪婪算法(Hill Climbing Greedy Algorithm) | 第18-19页 |
| ·基于Shapley值的影响最大化算法 | 第19-21页 |
| 第三章 基于潜力的影响最大化算法 | 第21-24页 |
| ·启发 | 第21页 |
| ·潜力的定义 | 第21-22页 |
| ·基于潜力的影响最大化算法 | 第22-24页 |
| 第四章 b_(uv)计算公式 | 第24-27页 |
| ·启发 | 第24-25页 |
| ·计算公式 | 第25-27页 |
| 第五章 实验和评估 | 第27-42页 |
| ·实验数据集 | 第27-28页 |
| ·实验设计 | 第28-29页 |
| ·实验结果 | 第29-42页 |
| ·参数C和K的联合效果 | 第29-31页 |
| ·不同算法之间的传播范围比较 | 第31-32页 |
| ·详细比较基于潜力的算法和爬山贪婪算法 | 第32-35页 |
| ·时间复杂度的比较 | 第35-36页 |
| ·新的b_(uv)估计方法效果 | 第36-38页 |
| ·随机化θ_v的效果 | 第38-39页 |
| ·算法在有向网络上的效果 | 第39-40页 |
| ·数据集的进一步说明 | 第40-42页 |
| 第六章 影响最大化应用:社团挖掘(COMMUNITY DETECTION)的探索性研究 | 第42-44页 |
| ·社团挖掘(COMMUNITY DETECTION) | 第42页 |
| ·影响最大化的探索性应用-社团挖掘 | 第42-44页 |
| 第七章 总结和展望 | 第44-46页 |
| 附录一 硕士期间所发表的论文 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
