| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景与问题提出 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究问题 | 第12页 |
| 1.2 研究意义与方法 | 第12-13页 |
| 1.2.1 研究意义 | 第12-13页 |
| 1.2.2 研究方法 | 第13页 |
| 1.3 研究创新点 | 第13-14页 |
| 1.4 组织结构与技术路线 | 第14-16页 |
| 第2章 国内外相关研究 | 第16-29页 |
| 2.1 复杂网络与社交网络 | 第16-18页 |
| 2.1.1 网络基本概述 | 第16-17页 |
| 2.1.2 复杂网络及其特征 | 第17页 |
| 2.1.3 社交网络及其特征 | 第17-18页 |
| 2.2 链路预测国内外研究现状 | 第18-21页 |
| 2.2.1 链路预测的早期研究 | 第18-19页 |
| 2.2.2 基于节点属性的链路预测 | 第19页 |
| 2.2.3 基于网络拓扑结构的链路预测 | 第19-20页 |
| 2.2.4 结合节点属性和网络拓扑结构的链路预测研究 | 第20-21页 |
| 2.2.5 社交网络上的链路预测研究 | 第21页 |
| 2.3 推荐系统国内外研究现状 | 第21-28页 |
| 2.3.1 经典推荐系统 | 第21-26页 |
| 2.3.2 社交网络的推荐系统 | 第26-27页 |
| 2.3.3 基于链路预测的推荐系统 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 社交网络的建模与链路预测 | 第29-45页 |
| 3.1 网络基本性质与表示方法 | 第29-32页 |
| 3.1.1 网络的基本拓扑性质 | 第29-31页 |
| 3.1.2 网络的计算机表示 | 第31-32页 |
| 3.2 社交网络的模型构建 | 第32-37页 |
| 3.2.1 网络经典拓扑模型 | 第32-35页 |
| 3.2.2 社交网络的建模 | 第35-37页 |
| 3.3 基于链路预测社交网络的模型构建 | 第37-38页 |
| 3.3.1 接近性链路预测的定义 | 第37页 |
| 3.3.2 社交网络的链路预测 | 第37-38页 |
| 3.4 常用的链路预测方法 | 第38-44页 |
| 3.4.1 基于接近性的链路预测 | 第38-41页 |
| 3.4.2 基于似然分析的链路预测 | 第41-43页 |
| 3.4.3 基于概率的链路预测 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于结合算法的推荐系统 | 第45-53页 |
| 4.1 问题描述 | 第45-46页 |
| 4.2 数据集的划分 | 第46-48页 |
| 4.2.1 基本数据集划分方法 | 第46-47页 |
| 4.2.2 链路预测数据集划分方法 | 第47-48页 |
| 4.3 社交网络接近性方法 | 第48-51页 |
| 4.3.1 基于网络拓扑结构的接近性 | 第48-49页 |
| 4.3.2 基于微博用户属性的接近性 | 第49-51页 |
| 4.3.3 四种结合算法 | 第51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 实验及结果分析 | 第53-62页 |
| 5.1 链路预测的评价指标 | 第53-55页 |
| 5.1.1 精确度 | 第53页 |
| 5.1.2 排序分 | 第53-54页 |
| 5.1.3 AUC | 第54-55页 |
| 5.2 实验环境和实验数据 | 第55-56页 |
| 5.2.1 实验环境 | 第55页 |
| 5.2.3 实验数据 | 第55-56页 |
| 5.3 实验结果分析 | 第56-61页 |
| 5.3.1 新浪微博用户网络基本性质分析 | 第56-59页 |
| 5.3.2 分别基于网络拓扑和节点属性的接近性 | 第59-60页 |
| 5.3.3 结合算法的接近性 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 主要结论 | 第62-63页 |
| 6.2 后续研究展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 附录1:部分主要MATLAB和Network X代码 | 第71-75页 |
| 附录2:作者在读期间发表的学术论文以及参加的科研项目 | 第75页 |
