第1章 引言
本章参考文献
第2章 网络构建方法
2.1 直接观察法
2.2 基于多源数据的学术社交网络构建方法
2.3 基于视频的社交网络构建方法
2.3.1 问题定义
2.3.2 方法
2.4 基于多层强化学习的网络构建方法
2.4.1 现存问题解决方案
2.4.2 构建数据集
2.4.3 OHRL算法设计
本章参考文献
第3章 社区分析基本知识
3.1 社区发现的原理
3.1.1 社区的定义
3.1.2 社区发现的方法分类
3.2 数据集与算法的评价指标
3.2.1 经典数据集
3.2.2 人工数据集生成
3.2.3 评价指标
本章参考文献
第4章 非重叠社区发现方法
4.1 概述
4.2 基于网络模体的局部社区发现方法
4.2.1 预备知识
4.2.2 通过最小化1范数的局部扩张
4.2.3 实验结果与分析
4.2.4 本节小结
4.3 基于种子结点扩张采样的社区发现方法
4.3.1 问题定义
4.3.2 SENE模型
4.3.3 实验结果与分析
本章参考文献
第5章 重叠社区发现方法
5.1 概述
5.2 基于粗糙集的重叠社区发现方法
5.2.1 预备知识与定义
5.2.2 方法
5.2.3 时间复杂度分析
5.3 基于边图的重叠社区发现方法
5.3.1 方法
5.3.2 时间复杂度分析
5.4 实验结果与分析
5.4.1 对比方法
5.4.2 实验环境
5.4.3 数据集
5.4.4 评价指标
5.4.5 实验与结果分析
5.5 本章小结
本章参考文献
第6章 面向富信息网络的社区发现方法
6.1 概述
6.2 基于生成模型的动态主题社区发现方法
6.2.1 动态主题社区发现方法
6.2.2 DTCD模型推理
6.2.3 推断快照网络中的各个参数
6.2.4 实验结果与分析
6.3 本章小结
本章参考文献
第7章 基于网络表示学习的社区发现方法
7.1 概述
7.2 基于矩阵分解的网络表示学习方法
7.2.1 M-NMF模型
7.2.2 模型最优化
7.3 基于随机游走的网络表示学习方法
7.3.1 DeepWalk：社交表示的在线学习
7.3.2 Node2Vec：大规模网络特征学习
7.4 基于深度神经网络的网络表示学习方法
7.4.1 SDNE结构化深度网络表示学习方法
7.4.2 DNGR深度神经网络的网络表示学习方法
7.5 其他网络表示学习方法
7.5.1 LINE大规模网络表示方法
7.5.2 问题定义
7.5.3 大规模网络表示方法
7.5.4 LANE标签信息属性网络表示学习方法
本章参考文献
第8章 大规模网络社区发现方法
8.1 概述
8.2 基于Spark的并行增量动态社区发现方法
8.2.1 基本概念和定义
8.2.2 基于Spark的并行增量动态社区发现算法描述
8.2.3 实验结果与分析
8.2.4 本节小结
8.3 基于加权聚类系数的并行增量动态社区发现方法
8.3.1 相关工作
8.3.2 相关定义
8.3.3 SPDCD算法
8.3.4 实验结果与分析
8.3.5 本节小结
8.4 基于边图的并行重叠社区发现方法
8.4.1 方法
8.4.2 时间复杂度分析
8.4.3 并行化设计
8.4.4 实验结果与分析
8.4.5 本节小结
本章参考文献
第9章 基于社区发现的交叉研究
9.1 概述
9.2 基于社交网络社区的组推荐框架
9.2.1 组推荐问题定义
9.2.2 基于社交网络社区的组推荐框架
9.2.3 实验结果与分析
9.2.4 本节小结
9.3 基于社区分析的情感研究
9.3.1 基于多元情感行为时间序列的社交网络用户聚类分析
9.3.2 社交网络情感社区发现研究
本章参考文献
第10章 总结
本章参考文献
展开
