| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-28页 |
| 1.1 引言 | 第11-12页 |
| 1.2 复杂网络下社区发现算法的研究现状 | 第12-26页 |
| 1.2.1 社区发现算法 | 第12-16页 |
| 1.2.2 社区发现算法的评价标准 | 第16-18页 |
| 1.2.3 海量数据网络分析 | 第18-26页 |
| 1.3 研究目的及内容 | 第26页 |
| 1.4 全文主要贡献及内容安排 | 第26-28页 |
| 第二章 PROPINQUITY计算 | 第28-54页 |
| 2.1 概述 | 第28-29页 |
| 2.2 基于BSP模型的PROPINQUITY计算 | 第29-36页 |
| 2.2.1 Propinquity计算 | 第29-32页 |
| 2.2.2 基于BSP的并发算法 | 第32-36页 |
| 2.3 动态阈值调节算法 | 第36-41页 |
| 2.3.1 问题描述 | 第36-39页 |
| 2.3.2 K-means聚类 | 第39-40页 |
| 2.3.3 算法流程 | 第40-41页 |
| 2.4 PROPINQUITY权重设计 | 第41-46页 |
| 2.4.1 问题描述 | 第41-42页 |
| 2.4.2 算法流程 | 第42-45页 |
| 2.4.3 基于赋权图的Propinquity计算 | 第45-46页 |
| 2.5 实验结果与分析 | 第46-52页 |
| 2.5.1 动态阈值调节算法 | 第46-50页 |
| 2.5.2 Propinquity权重设计 | 第50-51页 |
| 2.5.3 赋权图的Propinquity计算 | 第51-52页 |
| 2.6 算法的仿真实现 | 第52-53页 |
| 2.6.1 Apache Giraph的使用 | 第52页 |
| 2.6.2 基于Giraph的算法实现类简介 | 第52-53页 |
| 2.7 本章小结 | 第53-54页 |
| 第三章 非重叠社区发现算法的研究 | 第54-82页 |
| 3.1 问题描述 | 第54-55页 |
| 3.2 基于关键节点的非重叠社区发现算法 | 第55-68页 |
| 3.2.1 关键节点的评估与提取 | 第55-57页 |
| 3.2.2 基于BSP模型的近似点介数算法 | 第57-63页 |
| 3.2.3 算法流程 | 第63-68页 |
| 3.3 基于谱聚类的非重叠社区发现算法 | 第68-75页 |
| 3.3.1 谱聚类（Spectral Cluster） | 第69-70页 |
| 3.3.2 基于Canopy算法设置K和中心点 | 第70-74页 |
| 3.3.3 算法流程 | 第74-75页 |
| 3.4 实验结果与分析 | 第75-81页 |
| 3.4.1 CKE算法的影响因子：关键集合大小 | 第75-76页 |
| 3.4.2 SKC算法的影响因子：降维维度K | 第76-78页 |
| 3.4.3 Canopy聚类对SKC算法的影响 | 第78页 |
| 3.4.4 算法结果对比 | 第78-81页 |
| 3.5 本章小结 | 第81-82页 |
| 第四章 重叠社区发现算法的研究 | 第82-95页 |
| 4.1 问题描述 | 第82-83页 |
| 4.2 基于点聚集的重叠社区发现算法 | 第83-87页 |
| 4.2.1 中心节点提取算法 | 第83-85页 |
| 4.2.2 基准阈值 ? 的计算 | 第85页 |
| 4.2.3 算法流程 | 第85-87页 |
| 4.3 基于扩散标记的重叠社区发现算法 | 第87-90页 |
| 4.3.1 弱相关性的点介数节点筛选 | 第87-88页 |
| 4.3.2 扩散标记算法 | 第88-90页 |
| 4.3.3 核心算法流程 | 第90页 |
| 4.4 实验结果与分析 | 第90-94页 |
| 4.4.1 CCO算法的影响因子：阈值设置 | 第90-91页 |
| 4.4.2 IMB算法的影响因子：点介数集合筛选 | 第91-92页 |
| 4.4.3 算法结果对比 | 第92-94页 |
| 4.5 本章小结 | 第94-95页 |
| 第五章 全文总结 | 第95-97页 |
| 致谢 | 第97-98页 |
| 参考文献 | 第98-102页 |
