| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 大规模社区聚类发现 | 第12-13页 |
| 1.4 本章小结 | 第13-15页 |
| 第2章 相关技术和工作准备 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 理论基础分析 | 第15-17页 |
| 2.3 复杂网络的HADOOP并行发现算法 | 第17-21页 |
| 2.4 分布式模型处理 | 第21-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于秩的中心分散稀疏选择的社区发现 | 第25-35页 |
| 3.1 引言 | 第25-26页 |
| 3.2 相关工作 | 第26-27页 |
| 3.3 社区发现算法描述 | 第27-30页 |
| 3.3.1 中心点的初始化 | 第27-30页 |
| 3.3.2 算法复杂度分析 | 第30页 |
| 3.4 复杂社区发现的节点增强方法 | 第30-31页 |
| 3.4.1 复杂社区网络的近邻图构造 | 第30-31页 |
| 3.4.2 复杂网络重构 | 第31页 |
| 3.5 实验分析 | 第31-34页 |
| 3.6 小结 | 第34-35页 |
| 第4章 基于Hadoop框架的并行KNN大数据社区发现方法 | 第35-49页 |
| 4.1 引言 | 第35页 |
| 4.2 相关工作 | 第35-39页 |
| 4.2.1 签名社区网络 | 第35-37页 |
| 4.2.2 社区结果发现评价指标 | 第37-39页 |
| 4.3 签名网络模型社区划分的并行KNN实现 | 第39-43页 |
| 4.3.1 原理描述 | 第39-40页 |
| 4.3.2 基于降维简化的KNN聚类中心选取 | 第40-43页 |
| 4.4 并行KNN复杂网络社区发现 | 第43-45页 |
| 4.4.1 算法描述 | 第43-44页 |
| 4.4.2 复杂网络并行化执行过程 | 第44页 |
| 4.4.3 算法复杂度 | 第44-45页 |
| 4.5 实验结果分析 | 第45-48页 |
| 4.6 小结 | 第48-49页 |
| 第5章 基于Hadoop并行关联规则的大数据社区发现方法 | 第49-62页 |
| 5.1 引言 | 第49页 |
| 5.2 大数据社区关联规则发现 | 第49-53页 |
| 5.2.1 问题描述 | 第49-50页 |
| 5.2.2 关联规则的粗划分 | 第50-52页 |
| 5.2.3 实例描述 | 第52-53页 |
| 5.3 基于HADOOP框架的并行复杂网络社区挖掘 | 第53-57页 |
| 5.3.1 MapReduce框架 | 第53-54页 |
| 5.3.2 算法过程描述 | 第54-57页 |
| 5.3.3 复杂网络社区检测过程中的复杂度 | 第57页 |
| 5.4 实验结果分析 | 第57-61页 |
| 5.4.1 标准测试网络生成 | 第57-59页 |
| 5.4.2 标准复杂网络算例的社区检测结果 | 第59-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-63页 |
| 参考文献 | 第63-70页 |
| 致谢 | 第70-71页 |
| 附录 | 第71页 |
