【摘要】：隨著信息技術(shù)的飛速發(fā)展,互聯(lián)網(wǎng)上的數(shù)據(jù)呈現(xiàn)爆炸式增長,其中大部分?jǐn)?shù)據(jù)以文本信息的形式存在。在大數(shù)據(jù)的時代背景下,面對大規(guī)模的文本數(shù)據(jù),傳統(tǒng)的單機(jī)串行式文本聚類算法在存儲和計算速度方面存在瓶頸。隨著分布式計算框架(如Hadoop,Spark等)的出現(xiàn),為傳統(tǒng)的算法提供了并行化的解決方案�；趫D論的譜聚類算法克服了一些傳統(tǒng)聚類算法的缺點,能夠在任意形狀的樣本空間得到聚類結(jié)果的全局最優(yōu)解。結(jié)合譜聚類算法和分布式計算框架Spark,對大規(guī)模的文本數(shù)據(jù)集用并行化譜聚類算法進(jìn)行聚類。Apache Spark是一個通用的并行計算框架,通過內(nèi)存計算能極大地提高大數(shù)據(jù)計算的速度。在Spark計算框架上實現(xiàn)基于譜聚類算法的并行化,利用Spark計算平臺的可伸縮性和基于內(nèi)存計算等特點,將譜聚類算法結(jié)合Spark計算框架應(yīng)用在文本聚類中,實現(xiàn)對海量文本數(shù)據(jù)進(jìn)行并行處理和文本聚類,使譜聚類算法能夠適應(yīng)數(shù)據(jù)規(guī)模的擴(kuò)展,并提高文本聚類的性能。相對于傳統(tǒng)的聚類方法(如K-Means算法),實驗結(jié)果顯示基于圖論和矩陣計算的譜聚類算法在文本聚類中的查準(zhǔn)率、查全率以及F值等方面的聚類效果要好于其他聚類算法。結(jié)合Spark編程模型和譜聚類算法相互依賴的步驟分解,分別研究設(shè)計了并行化的文本向量間的相似矩陣計算、拉普拉斯矩陣的最小前k個特征值對應(yīng)的特征向量分解和降維后的特征矩陣的K-Means聚類。分析各步驟的時間復(fù)雜度,統(tǒng)計不同規(guī)模集群下算法運行時間的加速比。實驗結(jié)果表明,基于Spark的譜聚類算法在文本聚類中具有良好的聚類效果和運行性能。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.1

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 張雪萍;龔康莉;趙廣才;;基于MapReduce的K-Medoids并行算法[J];計算機(jī)應(yīng)用;2013年04期

2 張磊;張公讓;張金廣;;一種網(wǎng)格化聚類算法的MapReduce并行化研究[J];計算機(jī)技術(shù)與發(fā)展;2013年02期

3 魯偉明;杜晨陽;魏寶剛;沈春輝;葉振超;;基于MapReduce的分布式近鄰傳播聚類算法[J];計算機(jī)研究與發(fā)展;2012年08期

4 徐森;盧志茂;顧國昌;;解決文本聚類集成問題的兩個譜算法[J];自動化學(xué)報;2009年07期

5 湯效琴,戴汝源;數(shù)據(jù)挖掘中聚類分析的技術(shù)方法[J];微計算機(jī)信息;2003年01期

，

本文編號：2522412