基于圖挖掘的社交網絡可視化研究.pdf

1、隨著微博等社交網絡的快速興起，社交網絡的研究成為了一個熱點課題，如何更加充分的利用現(xiàn)代網絡工具快速發(fā)掘網絡中信息是一個重要的方向。基于圖挖掘的網絡中節(jié)點聚類一直以來都是大規(guī)模網絡數據分析中重要的研究課題之一，眾多研究者在網絡社區(qū)的發(fā)現(xiàn)方面已經取得不少研究成果，但仍然存在許多問題有待解決：算法的效率不高、很少關注重疊的社區(qū)結構、不能排除噪音干擾等。信息可視化技術的發(fā)展為人們理解網絡結構數據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、交網絡傳統(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)網絡展開了社區(qū)發(fā)現(xiàn)及可視化的研究，具體內容如下：
　?。?）設計基于網絡邊圖的社區(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)和其復雜度較高的問題，將網絡圖轉換為邊圖，用邊圖中節(jié)點的相似度替代GN算法中的邊介數，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，研究社交網絡中用戶影響力，將影響力大的用戶作為初始社區(qū)節(jié)點，使得社區(qū)劃分結果穩(wěn)定且更為準確，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。
　　（3）設計基于MapReduce的力導向布局算法。分析串行的力導向布局算法，結合Spark內存計算框架，實現(xiàn)了該算法的并行化，加快網絡布局。
　　（4）提