统计网络模型若干关键问题研究
| 提要 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-22页 |
| 1.3 主要研究内容 | 第22-24页 |
| 1.4 论文组织结构 | 第24-26页 |
| 第2章 相关知识 | 第26-40页 |
| 2.1 网络类型 | 第26-27页 |
| 2.2 随机块模型 | 第27-29页 |
| 2.3 模型学习 | 第29-33页 |
| 2.3.1 EM 算法 | 第30-31页 |
| 2.3.2 变分 EM 算法 | 第31-32页 |
| 2.3.3 变分贝叶斯 EM 算法 | 第32-33页 |
| 2.4 模型选择 | 第33-37页 |
| 2.4.1 最小编码长度 | 第34-36页 |
| 2.4.2 贝叶斯模型选择 | 第36-37页 |
| 2.5 随机游走模型 | 第37-39页 |
| 2.6 本章小结 | 第39-40页 |
| 第3章 符号随机块模型及其学习算法 | 第40-70页 |
| 3.1 引言 | 第40-41页 |
| 3.2 相关研究 | 第41-43页 |
| 3.3 模型与方法 | 第43-54页 |
| 3.3.1 符号随机块模型 | 第43-46页 |
| 3.3.2 模型学习方法 | 第46-54页 |
| 3.3.3 复杂度分析 | 第54页 |
| 3.4 实验 | 第54-67页 |
| 3.4.1 评价测度 | 第55页 |
| 3.4.2 对比算法 | 第55-56页 |
| 3.4.3 生成模型 | 第56-57页 |
| 3.4.4 社区发现验证 | 第57-66页 |
| 3.4.5 符号预测验证 | 第66-67页 |
| 3.5 本章小结 | 第67-70页 |
| 第4章 细粒度随机块模型及其快速学习算法 | 第70-100页 |
| 4.1 引言 | 第70-71页 |
| 4.2 相关研究 | 第71-74页 |
| 4.3 模型与方法 | 第74-85页 |
| 4.3.1 细粒度随机块模型 | 第74-76页 |
| 4.3.2 快速学习算法 | 第76-84页 |
| 4.3.3 复杂度分析 | 第84-85页 |
| 4.4 实验 | 第85-97页 |
| 4.4.1 对比算法 | 第85-86页 |
| 4.4.2 评价测度 | 第86-87页 |
| 4.4.3 精度与时间验证 | 第87-95页 |
| 4.4.4 泛化性能验证 | 第95-97页 |
| 4.5 应用 | 第97-99页 |
| 4.6 本章小结 | 第99-100页 |
| 第5章 基于随机游走模型的节点排序算法 | 第100-126页 |
| 5.1 引言 | 第100-102页 |
| 5.2 相关研究 | 第102页 |
| 5.3 模型与方法 | 第102-112页 |
| 5.3.1 基本原理 | 第103-104页 |
| 5.3.2 随机游走模型 | 第104页 |
| 5.3.3 重叠社区发现 | 第104-109页 |
| 5.3.4 近邻节点计算 | 第109-111页 |
| 5.3.5 复杂度分析 | 第111-112页 |
| 5.4 实验 | 第112-119页 |
| 5.4.1 对比算法 | 第112-113页 |
| 5.4.2 评价测度 | 第113-114页 |
| 5.4.3 算法性能验证 | 第114-118页 |
| 5.4.4 计算成本验证 | 第118-119页 |
| 5.5 应用 | 第119-125页 |
| 5.5.1 社会分析 | 第119-121页 |
| 5.5.2 在线推荐 | 第121-125页 |
| 5.6 本章小结 | 第125-126页 |
| 第6章 总结与展望 | 第126-130页 |
| 6.1 总结 | 第126-127页 |
| 6.2 展望 | 第127-130页 |
| 参考文献 | 第130-144页 |
| 作者简介及在学期间所取得的科研成果 | 第144-146页 |
| 致谢 | 第146页 |
