声明
第一章绪论
1.1 研究工作的背景与意义
1.2 国内外研究历史与现状
1.2.1 关键节点的研究进展与现状
1.2.2 社区检测的研究现状及发展趋势
1.3 论文的章节安排
第二章复杂网络的理论基础
2.1 复杂网络基本理论
2.1.1 复杂网络的概念与表示
2.1.2 图的相关概念
2.2 复杂网络的统计特征
2.2.1 节点的度和度分布
2.2.2 聚类系数
2.2.3 平均路径长度
2.2.4 复杂网络模型
2.3 关键节点识别算法
2.3.1 经典算法
2.3.2 传播模型
2.4 复杂网络社区发现算法
2.4.1 KL算法
2.4.2 GN算法
2.4.3 FN算法
2.4.4 Normalized Cut 算法
2.5 本章小结
第三章基于局部信息的结构洞节点识别算法
3.1 问题描述
3.1.1 结构洞理论
3.1.2 约束系数存在的问题
3.2 改进的约束系数ESH
3.2.1 节点熵
3.2.2 关键节点评价算法 ESH
3.2.3 计算实例
3.2.4 复杂度分析
3.3 实验设计与结果分析
3.3.1 数据集
3.3.2 检验指标
3.3.3 小规模网络实验结果分析
3.3.4 大规模网络仿真结果分析
3.3.5 排序结果与节点传播能力的相关性分析
3.4 本章小结
第四章基于节点熵的改进的K-shell 算法
4.1 算法思路
4.2 传统改进算法
4.2.1 混合度分解法
4.2.2 改进的K-shell 索引
4.2.3 邻居核数中心性
4.2.4 加权邻域中心性
4.2.5 混合核度熵
4.3 基于局部信息的K-shell 算法
4.4 计算实例
4.5 实验设计与结果分析
4.5.1 数据集
4.5.2 检验指标
4.5.3 仿真结果分析
4.5.4 算法复杂度分析
4.6 本章小结
第五章基于网络表示学习的社区发现算法
5.1 社区发现和聚类算法
5.2 基于网络表示学习的社区发现算法
5.2.1 K-means 算法
5.2.2 网络表示学习
5.2.3 种子节点选取方案
5.2.4 社区发现算法K-clustering
5.2.5 K-clustering 算法的时间复杂度
5.3 实验结果与分析
5.3.1 社区检测数据集
5.3.2 评价指标
5.3.3 实验结果与分析
5.4 本章小结
第六章总结与展望
6.1 全文总结
6.2 研究展望
致 谢
参考文献
攻读硕士学位期间取得的成果
电子科技大学;