声明
摘要
第一章 绪论
1．1 研究背景与意义
1．1．1 研究背景
1．1．2 研究意义
1．2 研究现状与发展趋势
1．3 研究内容与主要工作
1．4 论文组织结构
1．5 本章小结
第二章 社区发现的主流技术
2．1 复杂网络背景下基于链路关系的社区发现方法
2．1．1 早期社区发现经典算法
2．1．2 分级聚类思想-以经典Newman算法为例
2．1．3 重叠社区发现
2．1．4 异质关系网络中的多尺度社区发现
2．2 单纯基于属性的节点聚类
2．3 综合链路和属性信息的社区发现方法
2．4 本章小结
第三章 LDA--从文本属性中抽取高度概括的主题信息
3．1 基础知识
3．1．1 Dirichlet distribution
3．1．2 Expectation-Maximization(EM)Algorithm
3．1．3 Variational Inference
3．1．4 贝叶斯网络
3．2 生成模型
3．3 参数估计
3．4 LDA模型评估
3．5 本章小结
第四章 综合节点文本属性和关系的社区发现研究
4．1 社区模型
4．2 解决方案概述
4．3 社区发现步骤
4．3．1 核心探测
4．3．2 提高核心的一致性
4．3．3 附属传播
4．3．4 内部社区分类
4．4 实验评估
4．4．1 实验环境
4．4．2 实验结果
4．5 本章小结
第五章 总结与展望
5．1 研究内容总结
5．2 未来研究展望
致谢
参考文献
作者在攻读硕士学位期间发表的学术论文
