社交网络中的社区发现及其应用研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究工作的背景和意义 | 第13-15页 |
| 1.2 国内外研究历史与现状 | 第15-21页 |
| 1.2.1 社区发现的研究概况 | 第15-17页 |
| 1.2.2 用户建模的研究概况 | 第17-18页 |
| 1.2.3 好友推荐的研究概况 | 第18-19页 |
| 1.2.4 高影响力用户识别的研究概况 | 第19-21页 |
| 1.3 本文的主要研究内容 | 第21-23页 |
| 1.4 本文的组织结构 | 第23-25页 |
| 第二章 异构社交网络中的重叠社区发现 | 第25-54页 |
| 2.1 引言 | 第25-26页 |
| 2.2 异构社交网络 | 第26-29页 |
| 2.2.1 用户兴趣模型表示 | 第26页 |
| 2.2.2 兴趣相似性匹配 | 第26-28页 |
| 2.2.3 社交互动性标示 | 第28页 |
| 2.2.4 异构社交网络构建 | 第28-29页 |
| 2.3 社区发现方法 | 第29-39页 |
| 2.3.1 方法框架 | 第29-30页 |
| 2.3.2 种子节点选取 | 第30-31页 |
| 2.3.3 重叠社区发现 | 第31-37页 |
| 2.3.3.1 集成方法 | 第31-32页 |
| 2.3.3.2 试探性节点剔除 | 第32-33页 |
| 2.3.3.3 试探性节点添加 | 第33-34页 |
| 2.3.3.4 社区质量函数计算 | 第34-36页 |
| 2.3.3.5 可行性理论证明 | 第36-37页 |
| 2.3.4 隶属度计算 | 第37-38页 |
| 2.3.5 层次社区发现 | 第38页 |
| 2.3.6 时间复杂度分析 | 第38-39页 |
| 2.4 实验评估 | 第39-54页 |
| 2.4.1 评价指标 | 第39-41页 |
| 2.4.2 对比方法 | 第41-43页 |
| 2.4.3 人工网络上的对比实验 | 第43-49页 |
| 2.4.3.1 人工网络构建 | 第43-45页 |
| 2.4.3.2 人工网络上的实验结果 | 第45-49页 |
| 2.4.4 真实网络上的对比实验 | 第49-52页 |
| 2.4.4.1 真实网络构建 | 第49-50页 |
| 2.4.4.2 真实网络上的实验结果 | 第50-52页 |
| 2.4.5 讨论和分析 | 第52-54页 |
| 第三章 面向兴趣预测的社会化用户建模 | 第54-68页 |
| 3.1 引言 | 第54-55页 |
| 3.2 社会化用户建模 | 第55-63页 |
| 3.2.1 方法框架 | 第55-56页 |
| 3.2.2 基于文本分析的孤立用户建模 | 第56-59页 |
| 3.2.2.1 全域本体库构建 | 第56-57页 |
| 3.2.2.2 兴趣提取和量化 | 第57-59页 |
| 3.2.3 微博网络中的社区发现 | 第59-61页 |
| 3.2.3.1 社区种子节点选取 | 第59-60页 |
| 3.2.3.2 重叠社区发现 | 第60-61页 |
| 3.2.4 应用混合方法的社会化用户建模 | 第61-63页 |
| 3.2.4.1 用户影响力鉴别 | 第61-62页 |
| 3.2.4.2 用户易感性评估 | 第62页 |
| 3.2.4.3 混合用户建模 | 第62-63页 |
| 3.3 实验评估 | 第63-68页 |
| 3.3.1 数据收集 | 第63-64页 |
| 3.3.2 实验环境和评价标准 | 第64-65页 |
| 3.3.3 实验结果 | 第65-68页 |
| 第四章 结合兴趣爱好和社交互动的好友推荐 | 第68-80页 |
| 4.1 引言 | 第68-69页 |
| 4.2 混合好友推荐 | 第69-75页 |
| 4.2.1 系统框架 | 第69-70页 |
| 4.2.2 兴趣量化 | 第70-71页 |
| 4.2.3 领域高影响力用户 | 第71-72页 |
| 4.2.4 具有共同兴趣的潜在候选人 | 第72-73页 |
| 4.2.4.1 主导兴趣 | 第72-73页 |
| 4.2.4.2 兴趣候选集 | 第73页 |
| 4.2.5 好友推荐 | 第73-74页 |
| 4.2.5.1 社交候选集 | 第74页 |
| 4.2.5.2 好友推荐集 | 第74页 |
| 4.2.6 时间复杂度分析 | 第74-75页 |
| 4.3 实验评估 | 第75-80页 |
| 4.3.1 微博数据收集 | 第75-76页 |
| 4.3.2 度量标准 | 第76页 |
| 4.3.3 对比方法 | 第76-79页 |
| 4.3.3.1 基于兴趣相似性的方法 | 第76-77页 |
| 4.3.3.2 基于社交关系的方法 | 第77页 |
| 4.3.3.3 基于协同过滤的方法 | 第77-79页 |
| 4.3.4 实验结果 | 第79-80页 |
| 4.3.4.1 正则化参数调优 | 第79页 |
| 4.3.4.2 对比试验结果 | 第79-80页 |
| 第五章 采用图分割算法的高影响力用户识别 | 第80-104页 |
| 5.1 引言 | 第80-81页 |
| 5.2 高影响力用户识别 | 第81-89页 |
| 5.2.1 方法框架 | 第81-82页 |
| 5.2.2 主题提取 | 第82-83页 |
| 5.2.3 兴趣相似性计算 | 第83页 |
| 5.2.4 兴趣交互网络构建 | 第83-84页 |
| 5.2.5 图分割 | 第84-88页 |
| 5.2.6 LeaderRank排序 | 第88页 |
| 5.2.7 计算复杂度分析 | 第88-89页 |
| 5.3 实验评估 | 第89-104页 |
| 5.3.1 三种对比方法 | 第89-90页 |
| 5.3.1.1 k-medoid | 第89页 |
| 5.3.1.2 TwitterRank | 第89-90页 |
| 5.3.1.3 ClusterRank | 第90页 |
| 5.3.2 评价标准 | 第90-93页 |
| 5.3.2.1 独立级联模型 | 第90-91页 |
| 5.3.2.2 信息传播效应的度量指标 | 第91-93页 |
| 5.3.3 人工网络上的实验 | 第93-101页 |
| 5.3.3.1 LFR图形产生模型 | 第93-94页 |
| 5.3.3.2 人工网络构建 | 第94-96页 |
| 5.3.3.3 人工网络上的实验结果 | 第96-101页 |
| 5.3.4 真实网络上的实验 | 第101-102页 |
| 5.3.4.1 微博平台上的网络构建 | 第101页 |
| 5.3.4.2 微博平台上的实验结果 | 第101-102页 |
| 5.3.5 实验结果讨论与分析 | 第102-104页 |
| 第六章 总结与展望 | 第104-108页 |
| 6.1 研究内容总结 | 第104-106页 |
| 6.2 未来工作展望 | 第106-108页 |
| 参考文献 | 第108-118页 |
| 作者在攻读博士学位期间公开发表的论文 | 第118-119页 |
| 作者在攻读博士学位期间所作的项目 | 第119-120页 |
| 致谢 | 第120-121页 |
