基于圖挖掘的社交網(wǎng)絡(luò)可視化研究.pdf

1、隨著微博等社交網(wǎng)絡(luò)的快速興起，社交網(wǎng)絡(luò)的研究成為了一個熱點課題，如何更加充分的利用現(xiàn)代網(wǎng)絡(luò)工具快速發(fā)掘網(wǎng)絡(luò)中信息是一個重要的方向?；趫D挖掘的網(wǎng)絡(luò)中節(jié)點聚類一直以來都是大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)分析中重要的研究課題之一，眾多研究者在網(wǎng)絡(luò)社區(qū)的發(fā)現(xiàn)方面已經(jīng)取得不少研究成果，但仍然存在許多問題有待解決：算法的效率不高、很少關(guān)注重疊的社區(qū)結(jié)構(gòu)、不能排除噪音干擾等。信息可視化技術(shù)的發(fā)展為人們理解網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)并進行有效的挖掘提供了很有效的途徑，但對于大規(guī)模社

2、交網(wǎng)絡(luò)傳統(tǒng)的可視化布局并不能清晰的展示。
　　針對這些問題，本文以Spark為平臺，利用圖挖掘，對社區(qū)網(wǎng)絡(luò)展開了社區(qū)發(fā)現(xiàn)及可視化的研究，具體內(nèi)容如下：
　　（1）設(shè)計基于網(wǎng)絡(luò)邊圖的社區(qū)發(fā)現(xiàn)算法及其并行化。針對GN算法不能發(fā)現(xiàn)重疊社區(qū)和其復(fù)雜度較高的問題，將網(wǎng)絡(luò)圖轉(zhuǎn)換為邊圖，用邊圖中節(jié)點的相似度替代GN算法中的邊介數(shù)，改進GN算法，并且利用MapReduce模型，對該算法進行并行化處理，提高其執(zhí)行效率。
　?。?）提出了

3、基于用戶影響力的社區(qū)發(fā)現(xiàn)算法及其并行化方案。針對基于局部模塊度的社區(qū)發(fā)現(xiàn)算法[26]不穩(wěn)定問題，借鑒PageRank算法思想，研究社交網(wǎng)絡(luò)中用戶影響力，將影響力大的用戶作為初始社區(qū)節(jié)點，使得社區(qū)劃分結(jié)果穩(wěn)定且更為準(zhǔn)確，并研究了基于用戶影響力的社區(qū)發(fā)現(xiàn)算法的并行化方法。
　?。?）設(shè)計基于MapReduce的力導(dǎo)向布局算法。分析串行的力導(dǎo)向布局算法，結(jié)合Spark內(nèi)存計算框架，實現(xiàn)了該算法的并行化，加快網(wǎng)絡(luò)布局。
　　（4）提