资源描述：
《毕业论文--可视化社交网络结构的实现与分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、东南大学2017届本科生毕业设计（论文）题目可视化社交网络结构的实现与分析计算机科学与工程院（系）计算机科学与技术专业学号学生姓名指导教师起止日期2017年1月至2017年6月设计地点3东南大学2017届本科生毕业设计（论文）可视化社交网络结构的实现与分析摘要本文主要研究了经典社交网络结构模型生成算法的生成过程和结构及时间特性以及它们各自的缺点，然后提出了一种新的社交网络结构模型的生成算法，并用python制作了网络模型生成系统来展示这些算法所构造的模型及特性。主要的工作和成果如下：1.本文研究了经典社交网络结构模型生成算法（ER随机图，WS小世界网络
2、，NW小世界网络，BA无标度网络，GN-Benchmark算法，LFR-Benchmark算法）的生成过程，并研究了社交网络模型所具有的时间复杂度、平均最短路径长度、聚类系数、节点度分布、模块度等方面的特性。2.本文用python设计了一个可视化的交互系统，用来自动生成经典社交网络结构模型，并展示出模型的结构信息。并设计了一个具有社区结构，符合小世界，无标度，幂律分布等特点的具有标签的无标度网络构造模型Scale-freeNetworkswithTag算法(TSF算法)，该模型允许用户自定义网络规模、社区规模、混合参数等基本网络参数，并结合LFR-Be
3、nchmark、GN-Benchmark对该模型做出评价。通过本文的实验表明TSF算法在相同的环境中具有更好的聚类系数和模块度，尤其是当混合系数增大时，模型的性能仍然较高。本文还设计并实现了一个可视化的交互系统，结合本文提出的TSF模型和其他经典网络生成模型，用来自动生成经典社交网络结构模型，并展示出模型的结构信息。关键词：复杂网络；无标度网络；社区结构；python可视化RealizationandAnalysisofVisualSocialNetworkStructureABSTRACT3东南大学2017届本科生毕业设计（论文）Thispaperd
4、iscussesthecharacteristicsofstructureandtimeandtheshortcomingsofclassicsocialnetworkgeneratingalgorithm,andthenproposesanewgenerationalgorithmofthesocialnetworkstructuremodel,andusespythontomakeanetworkmodelgenerationsystemtodemonstratethemodelandcharacteristicsofthestructureoft
5、hesealgorithms.Themainworkandachievementsareasfollows:1.Thispaperusespythontodesignavisualinteractivesystem,usedtoautomaticallygeneratetheclassicsocialnetworkstructuremodel,andshowthestructureofthemodelinformation.Basedonthesealgorithms(ER,WS,NW,BA,GN,LFR)togeneratetheclassicsoc
6、ialnetworkstructuremodel,thispapershowsthemodelintimecomplexity,averagepathlength,clusteringcoefficient,degreedistribution,themodularityofthesefiveaspectsofinformation.2.ThispaperdesignsanetworkconstructionmodelTSFwithcommunitystructure,smallworld,scale-free,power-lawdistributio
7、nandsoon.Themodelallowsuserstocustomizethebasicnetworkparameterssuchasnetworksize,communitysizeandmixedparameters,andcombineLFR-Benchmark,GN-Benchmarktoevaluatethemodel.WetakesomeexperimentswiththetypicalalgorithmsuchasLFR-BenchmarkandGN-Benchmarktoevaluateourmodel.Itisdemonstra
8、tedthatourmodelperformsbetterthanLFR/GN-Benchma
