基于链接分析和用户兴趣的微博社区发现算法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 2 复杂网络社区发现研究及相关技术介绍 | 第14-28页 |
| 2.1 图论 | 第14-16页 |
| 2.2 社区定义 | 第16-18页 |
| 2.3 经典社区发现算法 | 第18-22页 |
| 2.3.1 KL算法 | 第18页 |
| 2.3.2 谱平分法 | 第18-19页 |
| 2.3.3 GN算法和快速Newman算法 | 第19-21页 |
| 2.3.4 LPA算法 | 第21-22页 |
| 2.3.5 Louvain算法 | 第22页 |
| 2.4 社区评价方法 | 第22-26页 |
| 2.5 网络分析工具Pajek | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 微博社区发现相关理论和技术 | 第28-36页 |
| 3.1 微博相关介绍 | 第28-32页 |
| 3.1.1 Twitter | 第28-29页 |
| 3.1.2 新浪微博 | 第29-32页 |
| 3.2 微博社区发现相关方法分析 | 第32-35页 |
| 3.2.1 基于链接分析的社区发现方法 | 第32-33页 |
| 3.2.2 基于博文内容的社区发现方法 | 第33-34页 |
| 3.2.3 基于用户兴趣的社区发现方法 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 基于链接分析和用户兴趣的微博社区发现 | 第36-43页 |
| 4.1 链接相似度 | 第36-37页 |
| 4.1.1 共同关注和共同粉丝相似度 | 第36-37页 |
| 4.1.2 转发相似度 | 第37页 |
| 4.2 兴趣相似度 | 第37-39页 |
| 4.2.1 所在地信息相似度 | 第37-38页 |
| 4.2.2 用户标签信息相似度 | 第38页 |
| 4.2.3 用户简介信息相似度和总的兴趣相似度 | 第38-39页 |
| 4.3 用户总的相似度 | 第39页 |
| 4.4 社区分类算法 | 第39-42页 |
| 4.5 本章小结 | 第42-43页 |
| 5 实验结果及评价 | 第43-51页 |
| 5.1 数据采集 | 第43-45页 |
| 5.2 实验结果与分析 | 第45-50页 |
| 5.2.1 使用数据集1进行实验 | 第46-48页 |
| 5.2.2 使用数据集2进行实验 | 第48-49页 |
| 5.2.3 实验结果分析 | 第49-50页 |
| 5.3 本章小结 | 第50-51页 |
| 6 总结与展望 | 第51-53页 |
| 6.1 结论 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士期间的研究成果及参加的科研项目 | 第58页 |
