云计算环境下面向数据分布的K-means聚类算法

在云计算环境下,针对K-means算法的经典并行方案的不足,提出面向数据分布的K-means算法.Map任务实现一次K-means算法迭代得到局部聚类中心,Reduce任务对局部聚类中心进行再聚类得到全局数据聚类中心,并将其传递给下一轮M apReduce,直到聚类结束.算法的理论分析和实验结果表明:提出的方案无论是运行时间还是迭代次数都比经典方案有一定的降低.

社交网站交互模式分析

随着网络技术的快速发展，社交网站为广大用户提供了一种全新的交流和信息分享的平台，深受网友的欢迎。本文探讨了社交网站的交互模式，以测试来自传统物理世界的成本、互惠性、三方闭合、同质性等理论应用在虚拟世界是否有效为重点。尽管结果显示社交网站交互结构和属性变化与现实世界中的社会网络的结构有所不同，但他们在一定程度上影响了社交网站中用户交互的形成。毫无疑问，这些发现对于需要理解社交网站发展过程的研究者和实践者有重要的启示作用。

基于指数随机图模型的网络新闻媒体分析

基于网络新闻媒体之间的转载关系构建了新闻转载网络,利用指数随机图模型,分析了新闻转载网络的结构。分析结果显示,新闻转载网络的网络关系稀疏,聚敛性和互惠性的局部结构明显,属性变量中传统媒体影响较大。指数随机图模型为研究网络新闻媒体提供了新的方法。

基于局部随机游走的在线社交网络朋友推荐算法

在线社交网络已成为用户交互和分享信息的流行的互联网平台。其中,为用户推荐朋友是在线社交网络的一项重要服务。一方面,目前在线社交网络通常基于社会图的局部特性为用户推荐朋友(即,用户间的共同朋友数目)。这种方法仅使用路径长度为2的局部结构信息,没有充分利用社会图中各种不同长度的路径及其它信息。另一方面,基于社会图全局特性的在线社交网络朋友推荐方法虽然侦测了整个社会图的结构,但是对于大规模的在线社交网络来说,这类方法的计算成本相当高。为此,本文提出了一个新的在线社交网络朋友推荐方法。它根据"小世界"假说,随机游走有限范围内的所有路径,为用户提供了既快速又准确的朋友推荐。本文使用两个真实的在线社交网络的数据集对新方法进行评估。实验结果显示提出的方法显著增加了在线社交网络朋友推荐的准确性。