声明
第1 章 绪论
1.1 研究背景及意义
1.2 相关工作研究现状
1.2.1 图神经网络模型研究现状
1.2.2 静态社区检测算法研究现状
1.2.3 动态社区检测算法研究现状
1.3 研究主要研究内容
1.4 本文的组织结构
第2 章 相关技术和理论
2.1 常见的节点表示技术介绍
2.1.1 Word2vec模型
2.1.2 DeepWalk 算法
2.2 本文研究思路及框架
2.3 相关定义
2.3.1 复杂网络图结构建模
2.3.2 动态社区的定义
2.4 本章小结
第3 章 基于节点影响力的社区检测算法
3.1 基于节点影响力的社区检测算法概述
3.2 随机游走生成语料库
3.2.1 节点的影响力属性值的归一化处理
3.2.2 定义搜索策略获得随机游走序列
3.3 融合影响力信息的节点表示学习
3.4 静态社区检测
3.5 本章小结
第4 章 基于模块度的增量式动态社区检测模型
4.1 基于模块度的增量式动态社区检测模型概述
4.2 根据模块度增量定位变化的社区结构
4.3 新增节点的动态社区检测
4.3.1 社区数量不变
4.3.2 社区数量改变
4.4 移除旧节点的动态社区检测
4.4.1 社区数量不变
4.4.2 社区数量改变
4.5 基于模块度的增量式动态演化社区检测算法
4.6 本章小结
第5 章 实验
5.1 实验环境简介
5.2 实验数据集介绍
5.3 基于节点影响力的社区检测算法仿真实验
5.3.1 基准算法
5.3.2 评价指标
5.3.3 仿真实验过程
5.3.4 实验结果及其分析
5.3.5 参数敏感性分析
5.3.6 T-SNE二维可视化结果分析
5.4 基于模块度的增量式动态社区检测模型仿真实验
5.4.1 数据集介绍
5.4.2 基准算法和评价标准
5.4.3 实验结果及分析
5.4.4 参数对模型的影响
5.5 本章小结
第6 章 总结与展望
6.1 总结
6.2 展望
参考文献
攻读学位期间取得的研究成果
致谢
上海师范大学;