基于社区发现的好友推荐方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 问题的提出 | 第14-15页 |
| 1.4 本文主要工作 | 第15-16页 |
| 1.5 本文组织结构 | 第16-18页 |
| 第2章 相关工作 | 第18-30页 |
| 2.1 社交网络 | 第18-22页 |
| 2.1.1 社交网络简介 | 第18-19页 |
| 2.1.2 社交网络主要性质 | 第19-21页 |
| 2.1.3 社交网络表示方法 | 第21-22页 |
| 2.2 好友推荐方法 | 第22-24页 |
| 2.2.1 基于内容匹配推荐 | 第22-23页 |
| 2.2.2 基于共同兴趣推荐 | 第23-24页 |
| 2.2.3 基于社交网络图推荐 | 第24页 |
| 2.3 复杂网络 | 第24-26页 |
| 2.3.1 复杂网络简介 | 第24-25页 |
| 2.3.2 复杂网络中的社区发现 | 第25-26页 |
| 2.4 Hadoop分布式系统架构 | 第26-29页 |
| 2.4.1 Hadoop简介 | 第26-27页 |
| 2.4.2 HDFS分布式文件系统 | 第27页 |
| 2.4.3 MapReduce分布式编程模型 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 链接强度的度量 | 第30-42页 |
| 3.1 好友推荐基本思想 | 第30-31页 |
| 3.2 基于有权图的社区建模 | 第31-33页 |
| 3.3 链接强度的量化 | 第33-37页 |
| 3.3.1 熟悉度的量化 | 第34页 |
| 3.3.2 联系紧密度的量化 | 第34-36页 |
| 3.3.3 基于熟悉度和紧密度的链接强度的量化 | 第36-37页 |
| 3.4 分布式链接强度的度量算法 | 第37-40页 |
| 3.4.1 熟悉度的分布式算法 | 第37-39页 |
| 3.4.2 联系强度的分布式算法 | 第39-40页 |
| 3.4.3 算法分析 | 第40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于社区发现的好友推荐方法 | 第42-60页 |
| 4.1 社区发现算法COPRAsh的集中式算法 | 第42-52页 |
| 4.1.1 COPRA的原理 | 第42-45页 |
| 4.1.2 COPRA存在的不足 | 第45-46页 |
| 4.1.3 标签更新策略的改进 | 第46-47页 |
| 4.1.4 结构洞约束值的引入 | 第47-50页 |
| 4.1.5 COPRAsh算法流程 | 第50-52页 |
| 4.2 社区发现算法COPRAsh的分布式算法 | 第52-56页 |
| 4.2.1 分布式COPRAsh的算法 | 第52-56页 |
| 4.2.2 分布式COPRAsh算法的复杂度分析 | 第56页 |
| 4.3 基于COPRAsh的好友推荐方法 | 第56-58页 |
| 4.3.1 综合相似度的引入 | 第56-58页 |
| 4.3.2 推荐方法的流程 | 第58页 |
| 4.4 本章小结 | 第58-60页 |
| 第5章 实验评价 | 第60-72页 |
| 5.1 实验环境 | 第60-61页 |
| 5.2 LFR基准网络测试 | 第61-65页 |
| 5.2.1 LFR基准网络简介 | 第61-62页 |
| 5.2.2 评价指标 | 第62-63页 |
| 5.2.3 实验评价 | 第63-65页 |
| 5.3 腾讯微博真实数据集测试 | 第65-70页 |
| 5.3.1 腾讯数据集简介 | 第65-67页 |
| 5.3.2 评价指标 | 第67-68页 |
| 5.3.3 实验评价 | 第68-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72页 |
| 6.2 展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第80页 |
