| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 引言 | 第10页 |
| 1.2 研究背景 | 第10-16页 |
| 1.3 研究意义 | 第16-17页 |
| 1.4 本文工作 | 第17-20页 |
| 第二章 社区发现算法概述 | 第20-32页 |
| 2.1 基于度量优化的社区发现算法 | 第20-24页 |
| 2.1.1 单目标优化算法 | 第20-23页 |
| 2.1.2 多目标优化算法 | 第23-24页 |
| 2.2 基于生成模型的社区发现算法 | 第24-26页 |
| 2.3 基于矩阵分解的社区发现算法 | 第26-27页 |
| 2.4 其他 | 第27-30页 |
| 2.4.1 层次聚类算法 | 第27-28页 |
| 2.4.2 团渗透算法 | 第28页 |
| 2.4.3 标签传播算法 | 第28-29页 |
| 2.4.4 融合非拓扑信息的半监督算法 | 第29-30页 |
| 2.5 结论 | 第30-32页 |
| 第三章 重叠社区，中心节点以及异常节点发现 | 第32-46页 |
| 3.1 引言 | 第32-33页 |
| 3.2 算法描述 | 第33-36页 |
| 3.2.1 生成模型 | 第33-34页 |
| 3.2.2 参数学习 | 第34-35页 |
| 3.2.3 识别过程 | 第35-36页 |
| 3.3 实验与评估 | 第36-43页 |
| 3.3.1 真实世界网络分析 | 第37-40页 |
| 3.3.2 量化对比 | 第40-43页 |
| 3.4 结论 | 第43-46页 |
| 第四章 基于l_(2,1)范数约束的重叠与层次社区发现 | 第46-70页 |
| 4.1 引言 | 第46-47页 |
| 4.2 算法描述 | 第47-53页 |
| 4.2.1 生成模型 | 第48-50页 |
| 4.2.2 模型参数学习 | 第50-52页 |
| 4.2.3 l_(2,1)正则项示例 | 第52-53页 |
| 4.3 实验与评估 | 第53-67页 |
| 4.3.1 人工网络 | 第53-59页 |
| 4.3.2 真实网络 | 第59-63页 |
| 4.3.3 分辨率参数分析 | 第63-67页 |
| 4.4 结论 | 第67-70页 |
| 第五章 融合节点标签信息的社区发现算法 | 第70-88页 |
| 5.1 引言 | 第70-71页 |
| 5.2 算法描述 | 第71-79页 |
| 5.2.1 融合节点标签信息的社区发现模型 | 第71-73页 |
| 5.2.2 半监督模型参数评估 | 第73-75页 |
| 5.2.3 半监督模型与谱聚类关系 | 第75页 |
| 5.2.4 基于节点拓扑线性表达的主动学习算法 | 第75-77页 |
| 5.2.5 主动学习方法参数评估 | 第77-78页 |
| 5.2.6 主动学习示例 | 第78页 |
| 5.2.7 复杂度分析 | 第78-79页 |
| 5.3 实验与评估 | 第79-87页 |
| 5.3.1 对比算法 | 第79页 |
| 5.3.2 网络数据 | 第79-81页 |
| 5.3.3 评价标准 | 第81-82页 |
| 5.3.4 半监督学习 | 第82页 |
| 5.3.5 收敛性实验 | 第82页 |
| 5.3.6 主动学习实验 | 第82-87页 |
| 5.4 结论 | 第87-88页 |
| 总结与展望 | 第88-90页 |
| 参考文献 | 第90-98页 |
| 发表论文和参加科研情况说明 | 第98-100页 |
| 致谢 | 第100-102页 |