分布式K-Core算法加速求解最大团问题及在金融社交网络中应用
摘要 | 第3-4页 |
Abstract | 第4页 |
第一章 绪论 | 第7-12页 |
1.1 研究背景 | 第7-8页 |
1.2 国内外研究现状 | 第8-10页 |
1.3 论文研究内容 | 第10-11页 |
1.4 本章小结 | 第11-12页 |
第二章 相关理论及软件 | 第12-26页 |
2.1 社交网络的属性 | 第12-13页 |
2.1.1 无尺度分布 | 第12-13页 |
2.1.2 小世界效应 | 第13页 |
2.1.3 强社区结构 | 第13页 |
2.2 最大团问题 | 第13-21页 |
2.2.1 最大团问题的定义 | 第14-16页 |
2.2.2 分支限界算法 | 第16-17页 |
2.2.3 K-Core算法 | 第17-19页 |
2.2.4 聚类系数指标 | 第19-21页 |
2.3 分布式计算框架Spark概述 | 第21-25页 |
2.3.1 Spark的体系介绍 | 第21-22页 |
2.3.2 SparkGraphx图计算框架 | 第22-23页 |
2.3.3 Pregel计算框架 | 第23-25页 |
2.4 本章小结 | 第25-26页 |
第三章 算法设计和实现 | 第26-34页 |
3.1 分布式K-Core算法实现 | 第26-31页 |
3.1.1 构建并行图阶段 | 第27-28页 |
3.1.2 最大近似团阶段 | 第28-31页 |
3.2 分布式聚类系数实现 | 第31-32页 |
3.3 Spark性能优化措施 | 第32-33页 |
3.4 本章小结 | 第33-34页 |
第四章 算法验证及应用 | 第34-47页 |
4.1 实验环境 | 第34-36页 |
4.2 算法验证 | 第36-40页 |
4.2.1 算法加速效率 | 第36-38页 |
4.2.2 算法的加速比 | 第38-40页 |
4.3 算法应用 | 第40-46页 |
4.3.1 金融数据集描述 | 第40-42页 |
4.3.2 金融数据集预处理 | 第42页 |
4.3.3 金融最大团分析 | 第42-46页 |
4.4 本章小结 | 第46-47页 |
第五章 总结与展望 | 第47-48页 |
5.1 本文总结 | 第47页 |
5.2 未来工作 | 第47-48页 |
参考文献 | 第48-52页 |
致谢 | 第52页 |