基于PowerGraph并行计算框架的社会网络分析研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 传播动力学 | 第12-14页 |
| 1.2.2 矩阵分解 | 第14-15页 |
| 1.2.3 网络重构 | 第15-16页 |
| 1.3 论文主要工作与创新点 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 2 图并行计算相关技术 | 第19-29页 |
| 2.1 图并行计算框架概述 | 第19-21页 |
| 2.2 并行编程模型 | 第21-23页 |
| 2.2.1 BSP编程模型 | 第21-22页 |
| 2.2.2 GAS编程模型 | 第22-23页 |
| 2.3 PowerGraph并行计算框架 | 第23-27页 |
| 2.3.1 软件栈 | 第24页 |
| 2.3.2 图划分策略 | 第24-25页 |
| 2.3.3 PowerGraph核心框架 | 第25-27页 |
| 2.4 本章小结 | 第27-29页 |
| 3 基于PowerGraph的并行传播算法 | 第29-39页 |
| 3.1 常见的传染病传播模型 | 第29-32页 |
| 3.1.1 SIS模型 | 第29-30页 |
| 3.1.2 SIR模型 | 第30-31页 |
| 3.1.3 SIRS模型 | 第31页 |
| 3.1.4 SEIR模型 | 第31-32页 |
| 3.2 PSA-SEIR算法设计 | 第32-35页 |
| 3.2.1 并行传播理论基础 | 第32-33页 |
| 3.2.2 数据结构 | 第33-34页 |
| 3.2.3 算法步骤 | 第34-35页 |
| 3.3 实验结果分析 | 第35-38页 |
| 3.3.1 实验环境及实验数据 | 第35-36页 |
| 3.3.2 实验结果与分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于PowerGraph的并行矩阵分解算法 | 第39-51页 |
| 4.1 SVD++基本理论 | 第39-40页 |
| 4.2 基于学习率可调的SVD++理论 | 第40-41页 |
| 4.3 LRA-PSVD++算法设计 | 第41-46页 |
| 4.3.1 并行SVD++理论基础 | 第41-42页 |
| 4.3.2 数据结构 | 第42-43页 |
| 4.3.3 算法步骤 | 第43-46页 |
| 4.4 实验结果分析 | 第46-50页 |
| 4.4.1 实验环境及实验数据 | 第46页 |
| 4.4.2 算法质量度量指标 | 第46-47页 |
| 4.4.3 实验结果与分析 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 基于PowerGraph的并行重构算法 | 第51-63页 |
| 5.1 增强网络同配性的随机重构基本理论 | 第51-53页 |
| 5.1.1 随机重构基本理论 | 第51页 |
| 5.1.2 增强网络同配性的随机重构理论 | 第51-53页 |
| 5.2 PRRWA算法设计 | 第53-60页 |
| 5.2.1 并行重构理论基础 | 第53-55页 |
| 5.2.2 数据结构 | 第55页 |
| 5.2.3 算法步骤 | 第55-60页 |
| 5.3 实验结果分析 | 第60-62页 |
| 5.3.1 实验环境及实验数据 | 第60页 |
| 5.3.2 实验结果与分析 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 全文总结 | 第63-64页 |
| 6.2 后续工作展望 | 第64-65页 |
| 参考文献 | 第65-73页 |
| 致谢 | 第73页 |
