| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 本文研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第二章 相关理论基础 | 第18-24页 |
| 2.1 社交网络的结构 | 第18-19页 |
| 2.2 网络的统计特性 | 第19-20页 |
| 2.2.1 度分布 | 第19页 |
| 2.2.2 平均路径长度 | 第19-20页 |
| 2.2.3 聚类系数 | 第20页 |
| 2.2.4 介数 | 第20页 |
| 2.3 群体发现算法 | 第20-22页 |
| 2.3.1 基于划分思想的算法 | 第21页 |
| 2.3.2 基于模块度最优化的算法 | 第21-22页 |
| 2.3.3 基于概率模型的算法 | 第22页 |
| 2.4 群体的定义 | 第22页 |
| 2.5 本章小结 | 第22-24页 |
| 第三章 基于用户行为的多维有向网络的群体发现算法 | 第24-37页 |
| 3.1 复杂网络分析 | 第24-27页 |
| 3.1.1 多维网络 | 第24-25页 |
| 3.1.2 节点链接 | 第25页 |
| 3.1.3 节点权重 | 第25-26页 |
| 3.1.4 链接权重 | 第26-27页 |
| 3.2 基于用户行为的网络构建 | 第27-31页 |
| 3.2.1 基于关注行为的单维网络构建 | 第27-28页 |
| 3.2.2 基于评论行为的单维网络构建 | 第28-30页 |
| 3.2.3 基于转发和点赞行为的单维网络构建 | 第30-31页 |
| 3.3 多维网络中的群体发现 | 第31-36页 |
| 3.3.1 多维网络的集成 | 第32页 |
| 3.3.2 特征集成 | 第32-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于主题建模的微博用户群体发现算法 | 第37-50页 |
| 4.1 语义分析 | 第37-45页 |
| 4.1.1 Latent Dirichlet Allocation模型 | 第37-39页 |
| 4.1.2 基于微博文本的改进LDA主题模型 | 第39-40页 |
| 4.1.3 基于微博用户的改进LDA主题模型 | 第40-41页 |
| 4.1.4 语义信息 | 第41-44页 |
| 4.1.5 语义相似度计算 | 第44-45页 |
| 4.2 基于用户语义的网络构建 | 第45-48页 |
| 4.2.1 基于关注行为语义的链接分析 | 第45-46页 |
| 4.2.2 基于评论行为语义的链接分析 | 第46页 |
| 4.2.3 基于转发和点赞行为语义的链接分析 | 第46-47页 |
| 4.2.4 基于用户语义的网络构建 | 第47-48页 |
| 4.3 用户语义构建的网络的群体发现 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 实验与分析 | 第50-58页 |
| 5.1 实验数据 | 第50-53页 |
| 5.1.1 数据获取 | 第50-52页 |
| 5.1.2 数据预处理 | 第52-53页 |
| 5.2 实验设计 | 第53-54页 |
| 5.2.1 基于用户行为的用户群体发现实验 | 第53-54页 |
| 5.2.2 基于用户语义的用户群体发现实验 | 第54页 |
| 5.3 评价指标 | 第54-55页 |
| 5.4 结果与分析 | 第55-57页 |
| 5.4.1 基于用户行为的用户群体发现实验结果 | 第55-56页 |
| 5.4.2 基于用户语义的用户群体发现实验结果 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间科研成果 | 第65页 |