面向微博用户的社交网络社区发现研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 社交网络研究现状 | 第10-11页 |
| 1.2.2 社区发现研究现状 | 第11-13页 |
| 1.2.3 微博网络社区发现研究现状 | 第13-14页 |
| 1.2.4 存在问题 | 第14页 |
| 1.3 论文主要工作 | 第14-15页 |
| 1.4 论文结构 | 第15-16页 |
| 第二章 社交网络相关研究 | 第16-25页 |
| 2.1 社交网络基础理论 | 第16-18页 |
| 2.1.1 六度分割理论 | 第16-17页 |
| 2.1.2 150定律 | 第17-18页 |
| 2.2 社交网络的特征 | 第18-22页 |
| 2.2.1 社交网络的组成 | 第18页 |
| 2.2.2 社交网络的表示 | 第18-19页 |
| 2.2.3 社交网络的特征度量 | 第19-22页 |
| 2.3 社区发现技术概述 | 第22-25页 |
| 2.3.1 网络的社区结构 | 第23页 |
| 2.3.2 社区划分评价标准 | 第23-25页 |
| 第三章 社区发现的相关技术 | 第25-34页 |
| 3.1 社区发现的典型算法 | 第25-29页 |
| 3.1.1 Kernighan-Lin算法 | 第25-26页 |
| 3.1.2 谱平分法 | 第26页 |
| 3.1.3 GN算法 | 第26-27页 |
| 3.1.4 Newman快速算法 | 第27-29页 |
| 3.2 相似度度量方法 | 第29-31页 |
| 3.2.1 基于网络拓扑结构的度量方法 | 第29-30页 |
| 3.2.2 基于局部信息的度量方法 | 第30-31页 |
| 3.3 主题模型LDA | 第31-34页 |
| 第四章 基于用户关系的微博网络社区发现研究 | 第34-47页 |
| 4.1 微博网络结构 | 第34-35页 |
| 4.2 相似度计算 | 第35-37页 |
| 4.3 CNM算法 | 第37-38页 |
| 4.4 改进的CNM算法 | 第38-43页 |
| 4.4.1 问题提出 | 第38-39页 |
| 4.4.2 算法改进 | 第39-43页 |
| 4.5 实验过程及结果 | 第43-47页 |
| 4.5.1 实验环境和数据集 | 第43页 |
| 4.5.2 实验过程 | 第43-44页 |
| 4.5.3 实验结果 | 第44-47页 |
| 第五章 基于关系与内容的微博网络社区发现研究 | 第47-55页 |
| 5.1 主题模型在微博中的应用 | 第47-48页 |
| 5.2 相似度中心性 | 第48-49页 |
| 5.3 JS距离 | 第49-50页 |
| 5.4 JSCNM算法 | 第50-51页 |
| 5.5 实验过程与实验分析 | 第51-55页 |
| 5.5.1 实验过程 | 第52页 |
| 5.5.2 结果分析 | 第52-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 论文总结 | 第55-56页 |
| 6.2 未来展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间的研究成果 | 第61-62页 |
