基于Spark的文本譜聚類算法并行化研究.pdf

1、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(shí)代背景下，面對(duì)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(chǔ)和計(jì)算速度方面存在瓶頸。隨著分布式計(jì)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。基于圖論的譜聚類算法克服了一些傳統(tǒng)聚類算法的缺點(diǎn)，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(jì)算框架Spark，對(duì)大規(guī)模的文

2、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(gè)通用的并行計(jì)算框架，通過內(nèi)存計(jì)算能極大地提高大數(shù)據(jù)計(jì)算的速度。在Spark計(jì)算框架上實(shí)現(xiàn)基于譜聚類算法的并行化，利用Spark計(jì)算平臺(tái)的可伸縮性和基于內(nèi)存計(jì)算等特點(diǎn)，將譜聚類算法結(jié)合Spark計(jì)算框架應(yīng)用在文本聚類中，實(shí)現(xiàn)對(duì)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(duì)于傳統(tǒng)的聚類方法（如K-Me

3、ans算法），實(shí)驗(yàn)結(jié)果顯示基于圖論和矩陣計(jì)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(jì)了并行化的文本向量間的相似矩陣計(jì)算、拉普拉斯矩陣的最小前k個(gè)特征值對(duì)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(shí)間復(fù)雜度，統(tǒng)計(jì)不同規(guī)模集群下算法運(yùn)行時(shí)間的加速比。實(shí)驗(yàn)結(jié)果表明，基于Spark的譜聚類算法在文本聚類中具有良