| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-14页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 复杂网络学科简介 | 第10-11页 |
| 1.1.2 复杂网络社区划分 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 2 K-MEANS型社区划分算法的研究 | 第14-26页 |
| 2.1 初始中心节点选取策略 | 第15-20页 |
| 2.1.1 基于最远距离的初始中心节点选取策略 | 第16页 |
| 2.1.2 基于PageRank算法的初始中心点选取策略 | 第16-19页 |
| 2.1.3 基于层次聚类思想的初始中心节点选取策略 | 第19-20页 |
| 2.2 节点相似度构造方式 | 第20-24页 |
| 2.2.1 基于网络节点局部信息的链接属性相似度度量 | 第21页 |
| 2.2.2 基于网络全局拓扑信息的链接属性相似度度量 | 第21-22页 |
| 2.2.3 节点内容属性相似度度量 | 第22-24页 |
| 2.2.4 相似度计算公式 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 3 新的链接与内容相结合的K-MEANS型社区划分算法 | 第26-43页 |
| 3.1 链接相似度与内容相似度相结合的解决方案 | 第26-28页 |
| 3.2 KRLC算法 | 第28-30页 |
| 3.3 2KRLC算法 | 第30-31页 |
| 3.4 CKRLC算法 | 第31-32页 |
| 3.5 KRLC&2KRLC算法的实验 | 第32-39页 |
| 3.5.1 实验数据集 | 第33页 |
| 3.5.2 评价指标 | 第33-35页 |
| 3.5.3 实验结果及分析 | 第35-37页 |
| 3.5.4 2KRLC算法中参数n的影响 | 第37-39页 |
| 3.6 CKRLC算法实验 | 第39-42页 |
| 3.6.1 实验数据集 | 第40页 |
| 3.6.2 实验结果及分析 | 第40-42页 |
| 3.7 本章小结 | 第42-43页 |
| 4 新浪微博用户关系网研究 | 第43-61页 |
| 4.1 微博用户数据分析框架 | 第44-45页 |
| 4.2 数据采集 | 第45-50页 |
| 4.2.1 面向新浪微博的网络爬虫 | 第45-48页 |
| 4.2.2 采集流程 | 第48-49页 |
| 4.2.3 原始数据结构 | 第49-50页 |
| 4.3 数据预处理 | 第50-53页 |
| 4.3.1 微博文本预处理相关技术介绍 | 第51-52页 |
| 4.3.2 文本预处理相关流程 | 第52-53页 |
| 4.4 网络建模 | 第53页 |
| 4.5 社区划分 | 第53-59页 |
| 4.5.1 KRLC&2KRLC划分结果以及分析 | 第54-56页 |
| 4.5.2 CKRLC划分结果及其分析 | 第56-59页 |
| 4.6 本章小结 | 第59-61页 |
| 5 结论与展望 | 第61-64页 |
| 5.1 工作总结 | 第61-62页 |
| 5.2 结论 | 第62页 |
| 5.3 未来的研究和工作 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 作者简历 | 第67-69页 |
| 学位论文数据集 | 第69页 |
