基于Hadoop的面向web规模图数据的社区发现算法的研究与实现
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 社区发现的研究内容 | 第11-13页 |
| 1.2 研究背景及意义 | 第13-15页 |
| 1.2.1 研究背景 | 第13-14页 |
| 1.2.2 研究意义 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-17页 |
| 1.4 本文的主要工作及本文贡献 | 第17页 |
| 1.5 本文的组织结构 | 第17-18页 |
| 1.6 本章小结 | 第18-19页 |
| 第2章 预备知识 | 第19-33页 |
| 2.1 符号定义 | 第19页 |
| 2.2 基本概念定义 | 第19-22页 |
| 2.2.1 社区的定义 | 第19-21页 |
| 2.2.2 图论中的若干基本概念 | 第21-22页 |
| 2.2.3 模块度的定义 | 第22页 |
| 2.3 Hadoop平台简介 | 第22-32页 |
| 2.3.1 HDFS简介 | 第23-24页 |
| 2.3.2 MapReduce简介 | 第24-27页 |
| 2.3.3 Hadoop国内外应用现状 | 第27-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 GN算法的原理与实现 | 第33-45页 |
| 3.1 GN算法中相关定义 | 第33-34页 |
| 3.2 GN算法设计的总体框架 | 第34-36页 |
| 3.3 GN算法中边介数的计算 | 第36-39页 |
| 3.3.1 边介数计算方法的原理 | 第36页 |
| 3.3.2 边介数计算的两种情况 | 第36-39页 |
| 3.4 GN算法的实现 | 第39-40页 |
| 3.5 GN算法的改进 | 第40-43页 |
| 3.5.1 改进的GN算法的框架 | 第40-42页 |
| 3.5.2 改进的GN算法的测试 | 第42-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第4章 一种分布式的社区发现算法 | 第45-57页 |
| 4.1 引言 | 第45-46页 |
| 4.2 相关定义 | 第46页 |
| 4.3 种分布式的社区发现算法的原理 | 第46-50页 |
| 4.3.1 集成学习的框架 | 第46-47页 |
| 4.3.2 算法的原理 | 第47-48页 |
| 4.3.3 生成图分割集合的基础算法 | 第48-50页 |
| 4.4 一种分布式的社区发现算法的实现 | 第50-55页 |
| 4.4.1 分布式社区发现算法的框架 | 第50-51页 |
| 4.4.2 分布式核心组的检测 | 第51-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 实验及结果分析 | 第57-65页 |
| 5.1 引言 | 第57页 |
| 5.2 实验数据 | 第57-58页 |
| 5.3 实验环境及工具 | 第58页 |
| 5.4 实验及结果分析 | 第58-62页 |
| 5.5 本章小结 | 第62-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 内容总结 | 第65页 |
| 6.2 未来展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
