| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.3 本文研究内容 | 第17-18页 |
| 1.4 本文章节安排 | 第18-20页 |
| 第二章 相关概念及理论知识 | 第20-30页 |
| 2.1 社交网络 | 第20-21页 |
| 2.1.1 社交网络的基本概念 | 第20页 |
| 2.1.2 社交网络的社区结构特性 | 第20-21页 |
| 2.2 信息传播模型 | 第21-24页 |
| 2.2.1 独立级联模型 | 第22页 |
| 2.2.2 权重级联模型 | 第22-23页 |
| 2.2.3 线性阈值模型 | 第23-24页 |
| 2.3 影响最大化问题及相关算法 | 第24-28页 |
| 2.3.1 问题定义 | 第24页 |
| 2.3.2 相关算法 | 第24-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于社区划分和Memetic算法的CMA社交网络影响最大化算法 | 第30-52页 |
| 3.1 引言 | 第30页 |
| 3.2 CMA算法框架 | 第30-31页 |
| 3.3 社区划分 | 第31-34页 |
| 3.3.1 社区划分的意义 | 第31-33页 |
| 3.3.2 社区划分算法 | 第33-34页 |
| 3.4 选出候选节点 | 第34-35页 |
| 3.4.1 选择重要社区 | 第34页 |
| 3.4.2 选出候选节点 | 第34-35页 |
| 3.5 一种用于社交网络影响最大化问题的Memetic算法 | 第35-42页 |
| 3.5.1 Memetic算法简介 | 第35-36页 |
| 3.5.2 MIM算法框架 | 第36-37页 |
| 3.5.3 编码方式和种群初始化 | 第37-39页 |
| 3.5.4 遗传操作 | 第39-41页 |
| 3.5.5 局部搜索算子 | 第41-42页 |
| 3.6 实验仿真与结果分析 | 第42-51页 |
| 3.6.1 实验设置 | 第42-43页 |
| 3.6.2 实验结果分析 | 第43-48页 |
| 3.6.3 算法参数分析 | 第48-51页 |
| 3.7 本章小结 | 第51-52页 |
| 第四章 基于Spark分布式并行计算的DP-CMA社交网络影响最大化算法 | 第52-68页 |
| 4.1 引言 | 第52页 |
| 4.2 Spark分布式并行计算架构 | 第52-56页 |
| 4.2.1 Spark简介 | 第52-55页 |
| 4.2.2 GraphX图计算框架 | 第55-56页 |
| 4.3 基于Spark分布式并行计算的DP-CMA社交网络影响最大化算法 | 第56-63页 |
| 4.3.1 算法基础 | 第56-58页 |
| 4.3.2 算法框架 | 第58-60页 |
| 4.3.3 编码方式和种群初始化 | 第60页 |
| 4.3.4 适应度计算 | 第60-62页 |
| 4.3.5 遗传操作和局部搜索算子 | 第62页 |
| 4.3.6 迁移算子 | 第62-63页 |
| 4.4 实验仿真与结果分析 | 第63-66页 |
| 4.4.1 实验设置 | 第63-64页 |
| 4.4.2 实验结果分析 | 第64-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 作者简介 | 第76-77页 |
