| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 大数据的特征和构成 | 第10页 |
| 1.3 国内外动态 | 第10-14页 |
| 1.3.1 大数据的聚类 | 第10-13页 |
| 1.3.2 社区结构 | 第13-14页 |
| 1.4 论文主要研究内容 | 第14-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 2 基于局部关键节点的大数据聚类算法 | 第16-25页 |
| 2.1 局部关键节点的发现 | 第16-17页 |
| 2.1.1 关键节点的定义 | 第16页 |
| 2.1.2 全局关键节点发现算法 | 第16-17页 |
| 2.1.3 局部关键节点发现算法 | 第17页 |
| 2.2 适应度函数的改进 | 第17-19页 |
| 2.3 基于局部关键节点的大数据聚类算法具体算法步骤 | 第19页 |
| 2.4 算法复杂度的分析 | 第19-21页 |
| 2.5 社区评价函数 | 第21页 |
| 2.6 实验分析 | 第21-25页 |
| 2.6.1 小规模真实网络 | 第21-22页 |
| 2.6.2 较大规模真实网络 | 第22-23页 |
| 2.6.3 实验结果分析 | 第23-25页 |
| 3 基于局部关键社区的大数据聚类算法 | 第25-34页 |
| 3.1 局部关键社区的发现 | 第25-26页 |
| 3.1.1 关键社区的定义 | 第25页 |
| 3.1.2 极大团发现算法 | 第25-26页 |
| 3.1.3 局部关键社区的发现算法 | 第26页 |
| 3.2 局部社区发现 | 第26-28页 |
| 3.2.1 适应度函数的改进 | 第27页 |
| 3.2.2 局部关键社区发现的具体步骤 | 第27-28页 |
| 3.3 基于局部关键社区的大数据聚类算法具体算法步骤 | 第28页 |
| 3.4 算法复杂度的分析 | 第28-31页 |
| 3.4.1 关键社区发现复杂度分析 | 第28-30页 |
| 3.4.2 局部社区发现复杂度分析 | 第30页 |
| 3.4.3 总体复杂度分析 | 第30-31页 |
| 3.5 实验分析 | 第31-34页 |
| 3.5.1 实验环境 | 第31页 |
| 3.5.2 实验结果 | 第31-32页 |
| 3.5.3 实验结果分析 | 第32-34页 |
| 4 基于局部关键社区的大数据聚类算法的并行研究 | 第34-46页 |
| 4.1 极大团的并行发现 | 第34-35页 |
| 4.2 关键社区的并行策略 | 第35-36页 |
| 4.3 局部社区发现的并行策略 | 第36-38页 |
| 4.4 总算法的并行策略 | 第38-41页 |
| 4.5 并行算法复杂度的分析 | 第41-42页 |
| 4.5.1 关键社区发现复杂度分析 | 第41页 |
| 4.5.2 局部社区发现复杂度分析 | 第41-42页 |
| 4.6 实验分析 | 第42-46页 |
| 4.6.1 实验环境 | 第42-43页 |
| 4.6.2 实验结果 | 第43-44页 |
| 4.6.3 实验结果分析 | 第44-46页 |
| 结论 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读学位期间的研究成果 | 第52页 |