| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景以及意义 | 第11-13页 |
| 1.2 研究思路以及本文贡献 | 第13-14页 |
| 1.3 论文组织结构 | 第14-16页 |
| 第二章 相关工作研究现状 | 第16-29页 |
| 2.1 网络嵌入算法研究现状 | 第16-19页 |
| 2.2 聚类算法研究现状 | 第19-23页 |
| 2.3 社区发现算法研究现状 | 第23-29页 |
| 第三章 网络嵌入算法研究 | 第29-53页 |
| 3.1 问题描述 | 第29-31页 |
| 3.2 DeepWalk算法 | 第31-36页 |
| 3.2.1 随机游走模型 | 第31-32页 |
| 3.2.2 Skip-Gram模型 | 第32-36页 |
| 3.3 基于Proximity的网络嵌入算法 | 第36-40页 |
| 3.4 实验 | 第40-52页 |
| 3.4.1 对比算法 | 第40-41页 |
| 3.4.2 数据集 | 第41页 |
| 3.4.3 评价指标 | 第41-42页 |
| 3.4.4 参数设置 | 第42-43页 |
| 3.4.5 链路预测结果对比 | 第43-46页 |
| 3.4.6 稀疏度对算法的影响 | 第46页 |
| 3.4.7 返回率对算法的影响 | 第46-47页 |
| 3.4.8 参数b对算法的影响 | 第47-49页 |
| 3.4.9 与Node2vec的区别 | 第49-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 Path-based聚类算法研究 | 第53-82页 |
| 4.1 问题描述 | 第53-54页 |
| 4.2 Minimax距离 | 第54-55页 |
| 4.3 Medoids在Minimax空间中的性质 | 第55-59页 |
| 4.4 全局最优Path-based聚类算法 | 第59-64页 |
| 4.4.1 挖掘Medoids | 第59-62页 |
| 4.4.2 噪声点问题 | 第62-63页 |
| 4.4.3 预测参数k | 第63-64页 |
| 4.5 快速GOP算法 | 第64-68页 |
| 4.5.1 排除法挖掘Medoids | 第64-68页 |
| 4.5.2 时间复杂度分析 | 第68页 |
| 4.6 实验 | 第68-80页 |
| 4.6.1 对比算法 | 第68-69页 |
| 4.6.2 参数设置 | 第69页 |
| 4.6.3 数据集 | 第69-71页 |
| 4.6.4 全局最优验证 | 第71-73页 |
| 4.6.5 运行时间对比 | 第73-74页 |
| 4.6.6 综合数据集实验 | 第74-76页 |
| 4.6.7 真实数据集试验 | 第76-77页 |
| 4.6.8 图像分割 | 第77-80页 |
| 4.7 本章小结 | 第80-82页 |
| 第五章 基于网络嵌入的社区发现算法 | 第82-99页 |
| 5.1 问题描述 | 第82页 |
| 5.2 研究动机 | 第82页 |
| 5.3 算法流程 | 第82-86页 |
| 5.4 实验 | 第86-97页 |
| 5.4.1 对比算法 | 第86页 |
| 5.4.2 评价指标 | 第86-90页 |
| 5.4.3 实验环境 | 第90页 |
| 5.4.4 真实数据集实验 | 第90-97页 |
| 5.5 本章小结 | 第97-99页 |
| 第六章 总结与展望 | 第99-101页 |
| 6.1 总结 | 第99-100页 |
| 6.2 展望 | 第100-101页 |
| 参考文献 | 第101-111页 |
| 在学期间的研究成果 | 第111-112页 |
| 致谢 | 第112页 |