包邮复杂网络建模与行为分析

第1章 复杂网络概述 11.1 复杂网络基本理论概述 11.1.1 复杂网络基本定义 11.1.2 复杂网络统计特性 21.1.3 拓扑结构属性 41.2复杂网络模型 51.2.1规则网络 51.2.2随机网络 61.2.3小世界网络 71.2.4无标度网络 81.3 本章小结 12参考文献： 第2章 基于网络结构的复杂网络影响力节点识别方法 152.1 相关研究工作 152.1.1 社区划分 152.1.2 优劣解距离法 162.2 基于网络结构和TOPSIS的影响力节点识别框架 182.2.1邻域覆盖策略 182.2.2基于K-shell和邻域覆盖的影响力节点识别框架 202.2.3基于社区和邻域覆盖的影响力节点识别框架 212.3 实验设置 222.3.1 数据集 222.3.2 性能指标 232.4 实验结果和分析 252.4.1 SIR模型和SI模型仿真分析 252.4.2 种子节点分散程度分析 302.5 本章小结32参考文献： 第3章 基于社区的复杂网络影响力*大化建模 343.1 问题分析和研究动机 343.1.1问题分析 343.1.2研究动机 353.2 相关研究工作 353.2.1 反向生成网络 353.2.2 图遍历算法 363.3 基于社区的反向生成网络影响力*大化框架 373.3.1 社区划分 383.3.2 候选节点集生成 383.3.3 选择影响力节点 413.4 实验设置 433.4.1 数据集 433.4.2 性能指标 443.4.3 基线算法 453.5 实验结果及分析 463.5.1 鲁棒性分析 463.5.2 传播规模分析 483.5.3 平均*短路径长度分析 503.6 本章小结51参考文献：51 第4章 基于图注意力的复杂网络影响力*大化模型 534.1 相关研究工作 534.1.1 图注意力网络 534.1.2 信息熵 544.2 影响力*大化模型IMGAT554.2.1 训练数据集 554.2.2 模型结构564.3实验结果及分析564.3.1 实验数据集 564.3.2 SIR模型分析574.3.3 *小种子节点集分析 584.4 本章总结60参考文献：60 第5章 基于时空注意力异构图卷积神经网络的用户转发预测行为分析 第6章 融合超图注意力机制与图卷积网络的用户转发行为906.1 问题描述 第7章 基于边学习的多特征融合谣言检测方法