基于深度学习的多网络社团探测算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第2章 多网络社团探测相关技术 | 第18-30页 |
| 2.1 基于模块度最优化的多网络社团探测 | 第18-21页 |
| 2.2 基于整合策略的多网络社团探测 | 第21-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 多网络社团信息压缩算法 | 第30-48页 |
| 3.1 社团信息提取 | 第30-37页 |
| 3.1.1 网络相关度 | 第30-32页 |
| 3.1.2 网络重要度 | 第32-34页 |
| 3.1.3 多网络社团信息提取算法 | 第34-37页 |
| 3.2 提取信息的压缩 | 第37-42页 |
| 3.2.1 压缩感知理论 | 第37-41页 |
| 3.2.2 多网络社团信息压缩方法 | 第41-42页 |
| 3.3 实验及结果分析 | 第42-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第4章 基于深度学习的多网络社团探测方法 | 第48-64页 |
| 4.1 社团探测深度信念网络模型 | 第49-57页 |
| 4.1.1 受限制玻尔兹曼机模型 | 第51-52页 |
| 4.1.2 受限制玻尔兹曼机学习方法 | 第52-55页 |
| 4.1.3 深度信念网络 | 第55-57页 |
| 4.2 基于深度信念网络的多网络社团探测方法 | 第57-60页 |
| 4.2.1 代表集的抽取和标签生成 | 第57-58页 |
| 4.2.2 DBN模型无监督学习 | 第58页 |
| 4.2.3 社团归属预测 | 第58-60页 |
| 4.3 实验及结果分析 | 第60-63页 |
| 4.3.1 社团探测的评价指标 | 第60页 |
| 4.3.2 DBN结构的确定 | 第60-61页 |
| 4.3.3 算法性能比较 | 第61-63页 |
| 4.4 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |
