| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第17-42页 |
| 1.1 课题背景及意义 | 第17-19页 |
| 1.2 国内外研究现状 | 第19-28页 |
| 1.2.1 基于统计推理的社区发现研究现状 | 第20-21页 |
| 1.2.2 网络重叠社区发现研究现状 | 第21-24页 |
| 1.2.3 异质网络社区发现研究现状 | 第24-27页 |
| 1.2.4 非参贝叶斯网络模型研究现状 | 第27-28页 |
| 1.3 近似推理方法 | 第28-34页 |
| 1.3.1 EM算法 | 第28-30页 |
| 1.3.2 VB算法 | 第30-31页 |
| 1.3.3 MCMC算法 | 第31-34页 |
| 1.4 实验数据和评估方法 | 第34-37页 |
| 1.4.1 常用的网络数据集 | 第34-37页 |
| 1.4.2 社区发现的评估方法 | 第37页 |
| 1.5 本文的研究内容及创新点 | 第37-40页 |
| 1.5.1 研究内容概述 | 第37-39页 |
| 1.5.2 主要创新点 | 第39-40页 |
| 1.6 本文的内容安排 | 第40-42页 |
| 第2章 基于混合模型的符号网络重叠社区发现 | 第42-63页 |
| 2.1 引言 | 第42-43页 |
| 2.2 符号网络重叠社区发现问题 | 第43页 |
| 2.3 基于混合模型的符号网络重叠社区发现方法 | 第43-49页 |
| 2.3.1 符号概率混合模型介绍 | 第43-45页 |
| 2.3.2 符号概率混合模型近似推理 | 第45-48页 |
| 2.3.3 符号概率混合模型两种极端情况 | 第48-49页 |
| 2.4 实验结果与分析 | 第49-62页 |
| 2.4.1 正边符号网络的重叠社区发现分析 | 第50-51页 |
| 2.4.2 负边符号网络的重叠社区发现分析 | 第51-52页 |
| 2.4.3 正负边符号网络的重叠社区发现分析 | 第52-61页 |
| 2.4.4 模型选择问题 | 第61-62页 |
| 2.5 本章小结 | 第62-63页 |
| 第3章 基于贝叶斯的加权网络重叠社区发现 | 第63-80页 |
| 3.1 引言 | 第63-64页 |
| 3.2 加权网络重叠社区发现问题 | 第64页 |
| 3.3 基于混合模型的加权网络重叠社区发现方法 | 第64-66页 |
| 3.3.1 简单概率期望最大模型介绍 | 第64-65页 |
| 3.3.2 简单概率期望最大模型近似求解 | 第65-66页 |
| 3.4 基于贝叶斯的加权网络重叠社区发现方法 | 第66-70页 |
| 3.4.1 贝叶斯混合网络模型介绍 | 第66-67页 |
| 3.4.2 贝叶斯混合网络模型近似求解 | 第67-70页 |
| 3.5 实验结果与分析 | 第70-79页 |
| 3.5.1 实验数据集 | 第70-71页 |
| 3.5.2 非加权网络的重叠社区发现分析 | 第71-74页 |
| 3.5.3 加权网络的重叠社区发现分析 | 第74-77页 |
| 3.5.4 对比实验 | 第77-79页 |
| 3.6 本章小结 | 第79-80页 |
| 第4章 基于非参贝叶斯的网络社区自动探索 | 第80-111页 |
| 4.1 引言 | 第80-81页 |
| 4.2 网络社区自动探索问题 | 第81-82页 |
| 4.3 基于混合模型的网络社区探索方法 | 第82-84页 |
| 4.3.1 Newman混合模型介绍 | 第82-83页 |
| 4.3.2 Newman混合模型近似推理 | 第83-84页 |
| 4.4 基于非参贝叶斯的网络社区自动探索方法 | 第84-90页 |
| 4.4.1 贝叶斯Newman混合模型介绍 | 第84-85页 |
| 4.4.2 狄利克雷过程 | 第85-87页 |
| 4.4.3 贝叶斯非参混合模型介绍 | 第87-88页 |
| 4.4.4 贝叶斯非参混合模型近似推理 | 第88-90页 |
| 4.5 实验结果与分析 | 第90-105页 |
| 4.5.1 实验数据集 | 第90-91页 |
| 4.5.2 Gibbs采样收敛性分析 | 第91-95页 |
| 4.5.3 含有社团结构网络的社区自动探索分析 | 第95页 |
| 4.5.4 含有多部图结构网络的社区自动探索分析 | 第95-98页 |
| 4.5.5 含有混合结构网络的社区自动探索分析 | 第98-101页 |
| 4.5.6 对比实验 | 第101-104页 |
| 4.5.7 实验讨论 | 第104-105页 |
| 4.6 网络社区自动探索应用 | 第105-110页 |
| 4.6.1 好友推荐介绍 | 第105-106页 |
| 4.6.2 基于网络社区自动探索的用户推荐方法 | 第106-110页 |
| 4.7 本章小结 | 第110-111页 |
| 第5章 基于非参贝叶斯的异质网络社区自动探索 | 第111-134页 |
| 5.1 引言 | 第111-112页 |
| 5.2 基于非参贝叶斯的带属性节点网络社区自动探索方法 | 第112-124页 |
| 5.2.1 带属性节点网络社区自动探索问题 | 第112页 |
| 5.2.2 Newman混合属性模型介绍 | 第112-113页 |
| 5.2.3 贝叶斯Newman混合属性模型介绍 | 第113-115页 |
| 5.2.4 贝叶斯非参属性模型介绍 | 第115-116页 |
| 5.2.5 贝叶斯非参属性模型近似推理 | 第116-118页 |
| 5.2.6 贝叶斯非参属性模型两种极端情况 | 第118页 |
| 5.2.7 带属性节点网络的实验结果与分析 | 第118-124页 |
| 5.3 基于非参贝叶斯的多维度网络社区自动探索方法 | 第124-133页 |
| 5.3.1 多维度网络社区自动探索问题 | 第124页 |
| 5.3.2 多维度贝叶斯混合模型介绍 | 第124-127页 |
| 5.3.3 多维度贝叶斯非参混合模型介绍 | 第127-128页 |
| 5.3.4 多维度网络的实验结果与分析 | 第128-133页 |
| 5.4 本章小结 | 第133-134页 |
| 结论 | 第134-136页 |
| 参考文献 | 第136-153页 |
| 附录A BMN模型的VB推理 | 第153-155页 |
| 附录B BNPM模型的MCMC推理 | 第155-156页 |
| 附录C BNPA模型的MCMC推理 | 第156-157页 |
| 附录D BNMM模型的MCMC推理 | 第157-158页 |
| 攻读博士学位期间发表的学术论文及其它成果 | 第158-160页 |
| 致谢 | 第160-161页 |
| 个人简历 | 第161页 |