| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文内容及结构安排 | 第11-13页 |
| 第二章 数据挖掘中的聚类分析 | 第13-26页 |
| 2.1 数据挖掘概述 | 第13-17页 |
| 2.1.1 数据预处理 | 第13-14页 |
| 2.1.2 频繁模式与关联规则挖掘 | 第14-15页 |
| 2.1.3 分类 | 第15页 |
| 2.1.4 聚类分析 | 第15页 |
| 2.1.5 可视化技术 | 第15-17页 |
| 2.2 聚类分析技术 | 第17-25页 |
| 2.2.1 聚类的数据结构、相似度度量与评价准则 | 第17-21页 |
| 2.2.2 常用聚类算法 | 第21-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 k-means聚类算法的改进与并行化策略 | 第26-38页 |
| 3.1 k-means算法的缺陷与改进方法 | 第26-28页 |
| 3.2 canopy-kmeans算法 | 第28-31页 |
| 3.2.1 算法简介 | 第28页 |
| 3.2.2 算法仿真 | 第28-31页 |
| 3.3 算法并行化策略 | 第31-36页 |
| 3.3.1 Hadoop平台简介 | 第31-34页 |
| 3.3.2 canopy k-means算法并行化策略 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 大规模社交网络用户聚类算法 | 第38-51页 |
| 4.1 社交网络 | 第38-43页 |
| 4.1.1 社交网络的基本概念 | 第38页 |
| 4.1.2 社交网络中的社团发现 | 第38-39页 |
| 4.1.3 社交网络社团挖掘方法 | 第39-43页 |
| 4.2 分布式社交网络用户聚类方法 | 第43-45页 |
| 4.2.1 数据表示 | 第43页 |
| 4.2.2 权重度量 | 第43页 |
| 4.2.3 相似度度量 | 第43-44页 |
| 4.2.4 中心点计算 | 第44页 |
| 4.2.5 维度规约 | 第44页 |
| 4.2.6 并行聚类实现方法的改进 | 第44-45页 |
| 4.2.7 复杂度分析 | 第45页 |
| 4.3 仿真实验 | 第45-50页 |
| 4.3.1 选择权重阈值w_t | 第46-47页 |
| 4.3.2 聚类结果 | 第47-50页 |
| 4.4 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页 |
| 5.2 未来展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间发表或已录用的学术论文 | 第57页 |