| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究目的及意义 | 第13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.3.1 分布式计算平台 | 第13-15页 |
| 1.3.2 社区发现研究 | 第15-16页 |
| 1.3.3 关键人物挖掘 | 第16-17页 |
| 1.4 研究内容 | 第17-18页 |
| 1.5 本文组织结构 | 第18页 |
| 1.6 本章小结 | 第18-19页 |
| 第二章 相关工作研究 | 第19-27页 |
| 2.1 社区发现和关键人物概述 | 第19-20页 |
| 2.2 社区发现相关算法 | 第20页 |
| 2.2.1 LPA算法 | 第20页 |
| 2.2.2 GN算法 | 第20页 |
| 2.3 关键人物相关算法 | 第20-21页 |
| 2.3.1 PageRank算法 | 第20-21页 |
| 2.3.2 TwitterRank | 第21页 |
| 2.4 SPARK分布式计算框架 | 第21-26页 |
| 2.4.1 Spark集群架构 | 第22-23页 |
| 2.4.2 YARN资源调度 | 第23-24页 |
| 2.4.3 Spark RDD | 第24-25页 |
| 2.4.4 Spark GraphX | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 PAGERANK关键人物挖掘算法并行化研究 | 第27-35页 |
| 3.1 PAGERANK算法思想 | 第27页 |
| 3.2 微博用户影响力和边权计算模型 | 第27-29页 |
| 3.2.1 微博用户初始影响力计算 | 第28页 |
| 3.2.2 基于链接关系的用户最终影响力计算 | 第28-29页 |
| 3.2.3 微博社交图边权值的计算 | 第29页 |
| 3.3 单机环境下PAGERANK算法实现 | 第29-30页 |
| 3.4 PAGERANK并行化实现 | 第30-34页 |
| 3.4.1 PageRank并行化分析 | 第30-31页 |
| 3.4.2 PageRank并行化的核心步骤 | 第31-32页 |
| 3.4.3 PageRank并行化示例的执行过程及过程分析 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 LOUVAIN社区发现算法并行化研究 | 第35-41页 |
| 4.1 LOUVAIN算法思想 | 第35-36页 |
| 4.1.1 模块度增量计算公式 | 第35页 |
| 4.1.2 模块度函数 | 第35-36页 |
| 4.2 单机环境下LOUVIAN算法的实现 | 第36-37页 |
| 4.3 LOUVAIN算法并行化实现 | 第37-40页 |
| 4.3.1 Louvain并行化分析 | 第37-38页 |
| 4.3.2 Louvain并行化的核心步骤 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 实验设计与分析 | 第41-51页 |
| 5.1 实验环境 | 第41-42页 |
| 5.2 实验数据分析 | 第42-43页 |
| 5.3 数据可视化工具 | 第43-44页 |
| 5.3.1 D3 | 第44页 |
| 5.3.2 Gephi | 第44页 |
| 5.4 实验结果与分析 | 第44-50页 |
| 5.4.1 PageRank关键人物挖掘并行化前后分析 | 第44-46页 |
| 5.4.2 Louvain社区发现并行化前后分析 | 第46-47页 |
| 5.4.3 有权图对Louvain社区发现结果的影响分析 | 第47-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 研究总结与展望 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 在学期间的研究成果 | 第57-58页 |
| 致谢 | 第58页 |
