| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第9-13页 |
| 1.1 背景和意义 | 第9-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 章节安排 | 第12-13页 |
| 2 基本概念与经典算法 | 第13-21页 |
| 2.2 基本概念 | 第13-14页 |
| 2.2.1 复杂网络 | 第13-14页 |
| 2.2.2 社团结构 | 第14页 |
| 2.3 经典算法描述 | 第14-18页 |
| 2.3.1 Lerninghan-Lin算法 | 第14-15页 |
| 2.3.2 谱平分法 | 第15页 |
| 2.3.3 GN算法 | 第15-16页 |
| 2.3.4 Newman快速算法 | 第16-17页 |
| 2.3.5 标签传播算法 | 第17页 |
| 2.3.6 AaronClauset算法 | 第17-18页 |
| 2.3.7 派系渗透算法 | 第18页 |
| 2.4 算法性能指标 | 第18-19页 |
| 2.4.1 聚类指标 | 第18-19页 |
| 2.4.2 模块度 | 第19页 |
| 2.5 本章小结 | 第19-21页 |
| 3 基于邻接矩阵点变换的社团划分算法 | 第21-33页 |
| 3.1 基本定义和概念 | 第21-22页 |
| 3.2 模型启发 | 第22-25页 |
| 3.3 算法实现 | 第25-28页 |
| 3.4 实验对比 | 第28-31页 |
| 3.5 本章小结 | 第31-33页 |
| 4 基于遗传聚类的社团划分算法 | 第33-51页 |
| 4.1 基本概念的简介 | 第33-36页 |
| 4.1.1 遗传进化算法 | 第33-34页 |
| 4.1.2 聚类算法 | 第34-36页 |
| 4.2 模型的选取 | 第36-40页 |
| 4.3 算法可行性论证 | 第40-41页 |
| 4.4 算法描述 | 第41-45页 |
| 4.4.1 编码方式 | 第41页 |
| 4.4.2 初代种群生成 | 第41-42页 |
| 4.4.3 交叉算子 | 第42-43页 |
| 4.4.4 变异算子 | 第43页 |
| 4.4.5 选择算子 | 第43-44页 |
| 4.4.6 适应度函数 | 第44页 |
| 4.4.7 K-Means算法 | 第44-45页 |
| 4.4.8 GKNM算法整体过程 | 第45页 |
| 4.5 实验论证 | 第45-49页 |
| 4.5.1 实验环境 | 第45-46页 |
| 4.5.2 实验数据 | 第46页 |
| 4.5.3 GKNM算法参数设置 | 第46页 |
| 4.5.4 实验结论 | 第46-49页 |
| 4.6 本章小结 | 第49-51页 |
| 5 可并行化的社团划分算法 | 第51-79页 |
| 5.1 并行化计算模型 | 第51-54页 |
| 5.1.1 MapReduce | 第51页 |
| 5.1.2 BSP | 第51-53页 |
| 5.1.3 SSP | 第53-54页 |
| 5.1.4 GAS | 第54页 |
| 5.2 大数据相关架构的简介 | 第54-57页 |
| 5.2.1 Hadoop | 第54-55页 |
| 5.2.2 Pregel | 第55-56页 |
| 5.2.3 GraphX | 第56-57页 |
| 5.3 算法描述以及并行化实现 | 第57-64页 |
| 5.3.1 LPA算法简介 | 第57-59页 |
| 5.3.2 CMLPA算法 | 第59-64页 |
| 5.4 实验论证 | 第64-77页 |
| 5.4.1 单机版 | 第64-70页 |
| 5.4.2 Spark版 | 第70-77页 |
| 5.5 本章小结 | 第77-79页 |
| 6 总结与展望 | 第79-81页 |
| 6.1 本文总结 | 第79页 |
| 6.2 未来工作的展望 | 第79-81页 |
| 致谢 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 附录 | 第87页 |
| A. 作者在攻读硕士学位期间从事的科研工作及取得的科研成果 | 第87页 |