基于Spark的大规模社交网络社区发现算法设计与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 选题背景及其意义 | 第9-10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 基于图算法的社区发现 | 第11页 |
| 1.2.2 基于启发式的算法 | 第11-13页 |
| 1.2.3 基于模块度优化的社区发现算法 | 第13-14页 |
| 1.3 本文主要工作及章节安排 | 第14-16页 |
| 第二章 相关技术基础 | 第16-31页 |
| 2.1 社交网络的表示 | 第16页 |
| 2.2 社区发现 | 第16-18页 |
| 2.3 Spark相关技术介绍 | 第18-24页 |
| 2.3.1 Spark的架构 | 第20-21页 |
| 2.3.2 Spark运行逻辑 | 第21-22页 |
| 2.3.3 RDD | 第22页 |
| 2.3.4 GraphX | 第22-23页 |
| 2.3.5 Spark中图数据的存储结构 | 第23-24页 |
| 2.4 Pregel计算框架介绍 | 第24-28页 |
| 2.5 Spark的优势 | 第28-29页 |
| 2.6 社区质量评价 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第三章 基于Spark的标签传播算法 | 第31-48页 |
| 3.1 传统LPA算法 | 第31-33页 |
| 3.2 基于Spark的并行化LPA算法 | 第33-37页 |
| 3.2.1 Spark化图数据处理 | 第33-34页 |
| 3.2.2 LPA算法Spark化实现 | 第34-37页 |
| 3.3 实验平台架构及数据集 | 第37-40页 |
| 3.3.1 实验系统架构 | 第37-39页 |
| 3.3.2 实验数据 | 第39-40页 |
| 3.4 实验 | 第40-47页 |
| 3.4.1 Facebook数据集 | 第40-43页 |
| 3.4.2 Twitter数据集 | 第43-45页 |
| 3.4.3 实验分析 | 第45-46页 |
| 3.4.4 实验对比 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于Spark的改进的标签传播算法 | 第48-60页 |
| 4.1 算法思想 | 第48-50页 |
| 4.2 社区核心节点影响力 | 第50-53页 |
| 4.2.1 PageRank算法 | 第51页 |
| 4.2.2 基于Spark的PageRank算法 | 第51-53页 |
| 4.3 基于Spark的改进的标签传播算法实现 | 第53-54页 |
| 4.4 实验 | 第54-59页 |
| 4.4.1 Facebook数据集 | 第55-56页 |
| 4.4.2 Twitter数据集 | 第56-57页 |
| 4.4.3 两个算法实验结果的对比分析 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结和展望 | 第60-63页 |
| 5.1 本文工作总结 | 第60-62页 |
| 5.2 进一步工作 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
