| 摘要 | 第9-11页 |
| Abstract | 第11-12页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景 | 第13-16页 |
| 1.1.1 云计算与MapReduce | 第13-14页 |
| 1.1.2 图数据挖掘与高维数据挖掘研究背景 | 第14页 |
| 1.1.3 基于MapReduce的数据挖掘的难点分析 | 第14-16页 |
| 1.1.4 基于MapReduce的数据挖掘的研究意义 | 第16页 |
| 1.2 研究现状 | 第16-20页 |
| 1.2.1 MapReduce研究现状 | 第16-18页 |
| 1.2.2 并行图数据处理研究现状 | 第18-19页 |
| 1.2.3 高维数据聚类研究现状 | 第19-20页 |
| 1.3 本文主要工作 | 第20-25页 |
| 1.3.1 研究目标与研究内容 | 第20-21页 |
| 1.3.2 主要工作 | 第21-25页 |
| 第二章 预备知识与相关工作 | 第25-41页 |
| 2.1 预备知识 | 第25-30页 |
| 2.1.1 分布式计算模型 | 第25页 |
| 2.1.2 分布式协调服务协议 | 第25-26页 |
| 2.1.3 MapReduce模型介绍 | 第26-28页 |
| 2.1.4 MapReduce特点分析和新趋势 | 第28页 |
| 2.1.5 Hadoop系统 | 第28-30页 |
| 2.1.6 HBase列数据库 | 第30页 |
| 2.2 云计算平台相关工作 | 第30-34页 |
| 2.2.1 主流云计算平台介绍 | 第30-33页 |
| 2.2.2 分布式索引相关工作 | 第33-34页 |
| 2.3 基于MapReduce的数据挖掘相关工作 | 第34-35页 |
| 2.4 相关数据挖掘应用 | 第35-41页 |
| 2.4.1 社会网络权威值计算 | 第35-37页 |
| 2.4.2 社区挖掘相关工作 | 第37-39页 |
| 2.4.3 高维数据聚类 | 第39-41页 |
| 第三章 局部迭代的MapReduce模型及其实现 | 第41-57页 |
| 3.1 MapReduce模型分析 | 第41-45页 |
| 3.1.1 MapReduce模型对于迭代类挖掘算法的适用性分析 | 第41-42页 |
| 3.1.2 MapReduce模型对于大规模图挖掘算法的适用性分析 | 第42页 |
| 3.1.3 性能分析与优化策略 | 第42-45页 |
| 3.2 数据挖掘算法的局部迭代性 | 第45-46页 |
| 3.2.1 图挖掘算法的局部迭代性 | 第45-46页 |
| 3.2.2 聚类算法的局部迭代性 | 第46页 |
| 3.3 局部迭代的MapReduce模型 | 第46-49页 |
| 3.3.1 LI-MR模型对缓存和索引支持 | 第47页 |
| 3.3.2 LI-MR模型对局部计算的支持 | 第47-48页 |
| 3.3.3 子图划分 | 第48页 |
| 3.3.4 LI-MR模型的适用性分析 | 第48-49页 |
| 3.4 LI-MR模型的系统实现 | 第49-56页 |
| 3.4.1 扩展Hadoop实现LI-MR模型 | 第50-54页 |
| 3.4.2 基于HBase的LI-MR框架 | 第54-55页 |
| 3.4.3 LI-MR框架与其它分布式处理系统的比较 | 第55-56页 |
| 3.5 本章总结 | 第56-57页 |
| 第四章 基于LI-MR模型的大规模图的社区挖掘算法研究 | 第57-67页 |
| 4.1 引言 | 第57页 |
| 4.2 研究背景与预备知识 | 第57-59页 |
| 4.3 MR-LPA算法 | 第59-64页 |
| 4.3.1 MR-LPA算法概述 | 第60页 |
| 4.3.2 数据预处理与数据分片 | 第60-62页 |
| 4.3.3 MapReduceJob_lpa子过程 | 第62页 |
| 4.3.4 MR-LPA算法收敛的判定 | 第62-63页 |
| 4.3.5 社团挖掘评价算法 | 第63-64页 |
| 4.3.6 MR-LPA算法的复杂度分析 | 第64页 |
| 4.4 实验 | 第64-66页 |
| 4.4.1 数据集 | 第64页 |
| 4.4.2 实验环境 | 第64-65页 |
| 4.4.3 MR-LPA算法收敛实验 | 第65页 |
| 4.4.4 垂直数据分片方式的可扩展性分析 | 第65-66页 |
| 4.5 本章总结 | 第66-67页 |
| 第五章 基于LI-MR模型的PageRank算法研究 | 第67-83页 |
| 5.1 引言 | 第67-68页 |
| 5.2 LI-PageRank算法 | 第68-75页 |
| 5.2.1 PageRank计算的局部性分析 | 第68-69页 |
| 5.2.2 LI-PageRank算法概述 | 第69页 |
| 5.2.3 LI-PageRank算法 | 第69-70页 |
| 5.2.4 子图划分 | 第70-73页 |
| 5.2.5 Map阶段与缓存更新 | 第73-74页 |
| 5.2.6 Reduce阶段与消息分组 | 第74页 |
| 5.2.7 一个例子 | 第74页 |
| 5.2.8 代价分析 | 第74-75页 |
| 5.3 GIM-V算法在基于HBase的LI-MR框架上的实现 | 第75-77页 |
| 5.3.1 GIM-V算法在基于HBase的LI-MR框架上的实现 | 第76-77页 |
| 5.3.2 LI-PageRank算法在基于HBase的LI-MR框架上的实现 | 第77页 |
| 5.4 实验 | 第77-81页 |
| 5.4.1 数据集与实验环境 | 第77-78页 |
| 5.4.2 实验设计与评估 | 第78-81页 |
| 5.5 本章总结 | 第81-83页 |
| 第六章 基于LI-MR模型的大规模高维数据聚类 | 第83-103页 |
| 6.1 引言 | 第83-84页 |
| 6.2 本章研究背景与预备知识 | 第84-87页 |
| 6.2.1 相关工作 | 第84-85页 |
| 6.2.2 R树索引 | 第85页 |
| 6.2.3 局部敏感哈希函数 | 第85-86页 |
| 6.2.4 k-means算法及其改进算法 | 第86-87页 |
| 6.3 挑战 | 第87页 |
| 6.4 基于LSH的k-means算法 | 第87-94页 |
| 6.4.1 基于LSH的代表点机制 | 第88-90页 |
| 6.4.2 利用k-means++进行初始中心点的选取 | 第90-93页 |
| 6.4.3 基于LSH的比较计算的裁减 | 第93-94页 |
| 6.5 实验 | 第94-101页 |
| 6.5.1 实验设置 | 第94页 |
| 6.5.2 数据集和基准程序 | 第94-95页 |
| 6.5.3 实验设计与评估 | 第95-101页 |
| 6.6 本章总结 | 第101-103页 |
| 第七章 总结和展望 | 第103-107页 |
| 7.1 全文工作总结 | 第103-104页 |
| 7.2 后续工作展望 | 第104-107页 |
| 7.2.1 尝试创建基于Katta的Hadoop索引服务器 | 第104-105页 |
| 7.2.2 尝试在MapReduce上研究图上面的分割算法和索引结构 | 第105页 |
| 7.2.3 尝试在MapReduce上实现更多的图算法 | 第105-107页 |
| 参考文献 | 第107-117页 |
| 发表文章目录 | 第117-119页 |
| 致谢 | 第119-120页 |
