声明
摘要
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 传播动力学
1.2.2 矩阵分解
1.2.3 网络重构
1.3 论文主要工作与创新点
1.4 论文组织结构
2 图并行计算相关技术
2.1 图并行计算框架概述
2.2 并行编程模型
2.2.1 BSP编程模型
2.2.2 GAS编程模型
2.3 PowerGraph并行计算框架
2.3.1 软件栈
2.3.2 图划分策略
2.3.3 PowerGraph核心框架
2.4 本章小结
3 基于PowerGraph的并行传播算法
3.1 常见的传染病传播模型
3.1.1 SIS模型
3.1.2 SIR模型
3.1.3 SIRS模型
3.1.4 SEIR模型
3.2 PSA-SEIR算法设计
3.2.1 并行传播理论基础
3.2.2 数据结构
3.2.3 算法步骤
3.3 实验结果分析
3.3.1 实验环境及实验数据
3.3.2 实验结果与分析
3.4 本章小结
4 基于PowerGraph的并行矩阵分解算法
4.1 SVD++基本理论
4.2 基于学习率可调的SVD++理论
4.3 LRA-PSVD++算法设计
4.3.1 并行SVD++理论基础
4.3.2 数据结构
4.3.3 算法步骤
4.4 实验结果分析
4.4.1 实验环境及实验数据
4.4.2 算法质量度量指标
4.4.3 实验结果与分析
4.5 本章小结
5 基于PowerGraph的并行重构算法
5.1 增强网络同配性的随机重构基本理论
5.1.1 随机重构基本理论
5.1.2 增强网络同配性的随机重构理论
5.2 PRRWA算法设计
5.2.1 并行重构理论基础
5.2.2 数据结构
5.2.3 算法步骤
5.3 实验结果分析
5.3.1 实验环境及实验数据
5.3.2 实验结果与分析
5.4 本章小结
6 总结与展望
6.1 全文总结
6.2 后续工作展望
参考文献
致谢
河北师范大学;