| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文主要研究工作 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 相关理论和主要技术 | 第17-35页 |
| 2.1 社交网络的图表示 | 第17页 |
| 2.2 社交网络的基本特性 | 第17-19页 |
| 2.2.1 度分布 | 第17-18页 |
| 2.2.2 平均距离长度 | 第18页 |
| 2.2.3 聚类系数 | 第18-19页 |
| 2.3 社区结构 | 第19-21页 |
| 2.3.1 强弱社区 | 第19-20页 |
| 2.3.2 K-派系社区 | 第20-21页 |
| 2.4 社区发现算法综述 | 第21-29页 |
| 2.4.1 基于图分割的社区算法 | 第21-23页 |
| 2.4.2 基于层次聚类的社区算法 | 第23-26页 |
| 2.4.3 基于派系过滤的社区发现算法 | 第26-27页 |
| 2.4.4 基于标签传播的社区发现算法 | 第27-29页 |
| 2.5 Spark相关技术 | 第29-34页 |
| 2.5.1 Spark大数据处理框架 | 第30-31页 |
| 2.5.2 弹性分布式数据集RDD | 第31-32页 |
| 2.5.3 图计算框架GraphX | 第32-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 基于边传播概率的标签传播算法 | 第35-53页 |
| 3.1 COPRA算法 | 第35-38页 |
| 3.1.1 问题描述 | 第36页 |
| 3.1.2 传统的节点重要性度量 | 第36-38页 |
| 3.2 基于节点重要性的标签传播概率 | 第38-42页 |
| 3.2.1 节点重要性度量EC | 第38-41页 |
| 3.2.2 边影响度量IM | 第41-42页 |
| 3.2.3 边传播概率EPP | 第42页 |
| 3.3 EPP-COPRA算法 | 第42-44页 |
| 3.3.0 节点的更新顺序 | 第42-43页 |
| 3.3.1 EPP-COPRA算法的标签传播过程 | 第43-44页 |
| 3.3.2 算法时间复杂度 | 第44页 |
| 3.4 算法改进性能比较 | 第44-52页 |
| 3.4.1 社区结构评价指标 | 第44-46页 |
| 3.4.2 实验数据集 | 第46-48页 |
| 3.4.3 算法比较 | 第48-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 EPP-COPRA算法的并行化设计与系统实现 | 第53-67页 |
| 4.1 基于Spark的算法并行化 | 第53-56页 |
| 4.1.1 Spark的图数据处理 | 第53-54页 |
| 4.1.2 Spark并行化架构 | 第54-55页 |
| 4.1.3 EPP-COPRA算法并行化 | 第55-56页 |
| 4.2 算法并行化测试 | 第56-59页 |
| 4.2.1 集群搭建 | 第56-57页 |
| 4.2.2 实验分析 | 第57-59页 |
| 4.3 基于Spark的社交网络社区发现系统的设计 | 第59-65页 |
| 4.3.1 需求分析 | 第59-61页 |
| 4.3.3 系统整体设计 | 第61-62页 |
| 4.3.4 核心工具介绍 | 第62-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67页 |
| 5.2 展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 攻读学位期间发表的学术论文 | 第77-79页 |