| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第8-10页 |
| §1.1 研究背景及意义 | 第8-9页 |
| §1.2 内容安排 | 第9-10页 |
| 第二章 聚类问题的相关工作 | 第10-18页 |
| §2.1 多维数据聚类的相关工作 | 第10-15页 |
| §2.1.1 基于K-Means多维数据聚类的相关工作 | 第12-15页 |
| §2.1.1.1 K-Means聚类算法 | 第12-14页 |
| §2.1.1.2 对K-Means聚类的改进相关工作 | 第14-15页 |
| §2.2 图上聚类问题及其相关工作 | 第15-18页 |
| §2.2.1 图的基本概念 | 第16-17页 |
| §2.2.2 LPA标号传播图聚类算法 | 第17-18页 |
| 第三章 KBAC自适应聚类 | 第18-33页 |
| §3.1 基于K-Means的自适应聚类 | 第18-23页 |
| §3.1.1 算法主要思想：从样本空间聚类到图社团发现 | 第18-19页 |
| §3.1.2 概念及定义 | 第19-21页 |
| §3.1.3 KBAC算法框架描述 | 第21-22页 |
| §3.1.4 算法复杂度分析 | 第22-23页 |
| §3.2 KBAC聚类算法在云平台上的实现优化 | 第23-26页 |
| §3.2.1 MapReduce云计算框架简介 | 第23-24页 |
| §3.2.2 基于R-tree对K-Means在MapReduce下的优化 | 第24-26页 |
| §3.3 实验分析 | 第26-31页 |
| §3.3.1 实验数据 | 第26-27页 |
| §3.3.2 聚类结果的参数敏感性评估 | 第27-31页 |
| §3.3.2.1 初始核数放大倍数 | 第27-30页 |
| §3.3.2.2 覆盖率下限阈值 | 第30-31页 |
| §3.3.3 KBAC在hadoop云平台下聚类的可伸缩性和准确性评估 | 第31页 |
| §3.4 本章小结 | 第31-33页 |
| 第四章 软件模块的聚类 | 第33-51页 |
| §4.1 软件聚类简介 | 第33-36页 |
| §4.1.1 软件聚类相关工作 | 第33-34页 |
| §4.1.2 软件聚类面临的挑战 | 第34-35页 |
| §4.1.3 本工作的主要贡献 | 第35-36页 |
| §4.2 两阶段软件聚类算法 | 第36-42页 |
| §4.2.1 概念以及定义 | 第37-38页 |
| §4.2.2 软件源码的分析 | 第38页 |
| §4.2.3 软件模块的层次聚类 | 第38-42页 |
| §4.2.3.1 基于入口模块的聚类 | 第39-40页 |
| §4.2.3.2 基于PageRank的聚类 | 第40-42页 |
| §4.3 聚类结果的命名 | 第42-43页 |
| §4.3.1 模块命名算法 | 第42-43页 |
| §4.4 聚类结果的可视化 | 第43-45页 |
| §4.4.1 聚类结果可视化的实现 | 第43-44页 |
| §4.4.2 对聚类结果的动态展示 | 第44页 |
| §4.4.3 对聚类结果的操作 | 第44-45页 |
| §4.5 案例分析 | 第45-50页 |
| §4.5.1 分析项目Weka简介 | 第45页 |
| §4.5.2 Weka项目的软件聚类过程 | 第45-46页 |
| §4.5.3 Weka项目聚类结果的可视化 | 第46-48页 |
| §4.5.4 聚类结果的合理性评估 | 第48-49页 |
| §4.5.5 该软件聚类工具的试用反馈 | 第49-50页 |
| §4.6 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| §5.1 论文总结 | 第51-52页 |
| §5.2 展望 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 硕士期间发表的论文 | 第55-56页 |
| 致谢 | 第56-57页 |
