| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 社区发现 | 第11-12页 |
| 1.2 重叠社区发现与边社区发现 | 第12-14页 |
| 1.3 本文工作及论文安排 | 第14-17页 |
| 第2章 社区发现方法综述 | 第17-35页 |
| 2.1 传统的社区发现算法 | 第17-20页 |
| 2.1.1 图分割算法 | 第17-18页 |
| 2.1.2 分裂式与凝聚式层次聚类算法 | 第18-19页 |
| 2.1.3 基于模块度的算法 | 第19-20页 |
| 2.2 重叠社区发现算法 | 第20-25页 |
| 2.2.1 派系过滤算法 | 第20-22页 |
| 2.2.2 局部社区发现算法 | 第22-23页 |
| 2.2.3 模糊重叠社区发现算法 | 第23-24页 |
| 2.2.4 其它重叠社区发现算法 | 第24-25页 |
| 2.3 边社区发现算法 | 第25-29页 |
| 2.3.1 边聚类算法 | 第26-27页 |
| 2.3.2 iLCD算法 | 第27-28页 |
| 2.3.3 其它边社区发现算法 | 第28-29页 |
| 2.4 重叠社区发现中的评价指标 | 第29-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 基于线图的边聚类算法 | 第35-55页 |
| 3.1 引言 | 第35-36页 |
| 3.2 相关方法 | 第36-38页 |
| 3.2.1 相关的定义及线图模型 | 第36-37页 |
| 3.2.2 Leicht-Holme-Newman相似度计算方法 | 第37-38页 |
| 3.2.3 马尔科夫聚类算法 | 第38页 |
| 3.3 基于线图的边聚类算法 | 第38-46页 |
| 3.3.1 基于线图的边相似度计算方法 | 第38-42页 |
| 3.3.2 基于线图的边聚类算法 | 第42-46页 |
| 3.3.3 算法复杂度分析 | 第46页 |
| 3.4 实验 | 第46-53页 |
| 3.4.1 具有标准划分的真实网络 | 第47-49页 |
| 3.4.2 不具有标准划分的真实网络 | 第49-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第4章 边密度聚类算法 | 第55-71页 |
| 4.1 引言 | 第55-56页 |
| 4.2 相关方法 | 第56-58页 |
| 4.2.1 快速密度峰值搜索聚类算法 | 第56-57页 |
| 4.2.2 盒图模型 | 第57页 |
| 4.2.3 相关定义 | 第57-58页 |
| 4.3 边密度聚类算法 | 第58-63页 |
| 4.3.1 拓展的余弦边距离计算方法 | 第58-60页 |
| 4.3.2 边密度聚类算法 | 第60-63页 |
| 4.3.3 算法复杂度分析 | 第63页 |
| 4.4 实验 | 第63-69页 |
| 4.4.1 评价指标 | 第64页 |
| 4.4.2 具有标准划分的真实网络 | 第64-68页 |
| 4.4.3 不具有标准划分的真实网络 | 第68-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第5章 极值非相邻边的边聚类算法 | 第71-87页 |
| 5.1 引言 | 第71页 |
| 5.2 相关方法 | 第71-74页 |
| 5.2.1 原始的边聚类算法 | 第71-73页 |
| 5.2.2 相关定义 | 第73页 |
| 5.2.3 拓展的模块度评价指标 | 第73-74页 |
| 5.3 极值非相邻边的边聚类算法 | 第74-77页 |
| 5.3.1 极值非相邻边的边相似度计算方法 | 第74-76页 |
| 5.3.2 极值非相邻边的边聚类算法 | 第76-77页 |
| 5.3.3 算法复杂度分析 | 第77页 |
| 5.4 实验 | 第77-85页 |
| 5.4.1 评价指标及数据集 | 第77-78页 |
| 5.4.2 真实网络 | 第78-84页 |
| 5.4.3 LCLG、LDC、MLC算法在真实网络上的对比 | 第84-85页 |
| 5.5 本章小结 | 第85-87页 |
| 第6章 结论与展望 | 第87-89页 |
| 参考文献 | 第89-95页 |
| 攻读博士学位期间取得的科研成果 | 第95-97页 |
| 致谢 | 第97页 |