| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 选题的意义 | 第9页 |
| 1.2 研究内容和成果 | 第9-10页 |
| 1.3 本文章节安排 | 第10-13页 |
| 第二章 电信社会网络分析 | 第13-21页 |
| 2.1 社会网络分析 | 第13-15页 |
| 2.1.1 社会网络分析基础 | 第13-14页 |
| 2.1.2 电信社会网络分析应用现状 | 第14-15页 |
| 2.2 图论与社会网络分析 | 第15-20页 |
| 2.2.1 图论的基本概念 | 第16页 |
| 2.2.2 社会网络的基本概念 | 第16-17页 |
| 2.2.3 社会网络的基本指标 | 第17-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 Hadoop MapReduce并行编程框架 | 第21-29页 |
| 3.1 Hadoop MapReduce并行编程框架 | 第21-24页 |
| 3.1.1 MapReduce的基本概念 | 第21-22页 |
| 3.1.2 MapReduce的源起 | 第22-23页 |
| 3.1.3 MapReduce的设计理念 | 第23-24页 |
| 3.2 Hadoop MapReduce的主要功能和技术特征 | 第24-27页 |
| 3.2.1 MapReduce的主要功能 | 第24-25页 |
| 3.2.2 Hadoop MapReduce的技术特点 | 第25-27页 |
| 3.3 本章小结 | 第27-29页 |
| 第四章 基于MapReduce的中介中心度算法的实现 | 第29-57页 |
| 4.1 中介中心度及其计算 | 第29-30页 |
| 4.1.1 数学基础 | 第29页 |
| 4.1.2 快速中介中心度算法 | 第29-30页 |
| 4.1.3 快速中介中心度算法的原理 | 第30页 |
| 4.2 基于MapReduce的单源中介中心度算法 | 第30-39页 |
| 4.2.1 关系过滤算法 | 第30-33页 |
| 4.2.2 单源MR-BC算法的实现 | 第33-39页 |
| 4.3 基于MapReduce的多源中介中心度算法 | 第39-46页 |
| 4.3.1 多源MR-BC算法中前向遍历的MapReduce实现 | 第40-43页 |
| 4.3.2 多源MR-BC算法中反向回溯的MapReduce实现 | 第43-45页 |
| 4.3.3 多源MR-BC算法的复杂分析 | 第45-46页 |
| 4.4 多源MR-BC算法再优化 | 第46-50页 |
| 4.4.1 用VLongWritable代替Text作为节点的存储类型 | 第46页 |
| 4.4.2 使用Combiner的多源MR-BC算法 | 第46-50页 |
| 4.5 实验结果 | 第50-55页 |
| 4.5.1 集群环境 | 第51-52页 |
| 4.5.2 算法性能比较 | 第52-55页 |
| 4.5.3 用户传播价值 | 第55页 |
| 4.6 本章小结 | 第55-57页 |
| 第五章 基于MapReduce的派系过滤算法 | 第57-73页 |
| 5.1 派系过滤算法 | 第57-61页 |
| 5.1.1 k-clique社区定义 | 第57-59页 |
| 5.1.2 传统派系过滤算法 | 第59-61页 |
| 5.2 基于MapReduce的CPM算法设计和实现 | 第61-70页 |
| 5.2.1 问题描述 | 第61页 |
| 5.2.2 k-派系的表示 | 第61-62页 |
| 5.2.3 k-派系的生成 | 第62-66页 |
| 5.2.4 k-派系邻居发现算法 | 第66-68页 |
| 5.2.5 k-派系社区的生成 | 第68-70页 |
| 5.3 实验结果 | 第70-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 本文总结 | 第73-74页 |
| 6.2 下一步研究 | 第74-75页 |
| 参考文献 | 第75-77页 |
| 致谢 | 第77页 |
