首页> 中文期刊>中文信息学报 >基于Spark的大规模文本k-means并行聚类算法

基于Spark的大规模文本k-means并行聚类算法

     

摘要

互联网文本数据量的激增使得对其作聚类运算的处理时间显著加长,虽有研究者利用Hadoop架构进行了k-means并行化研究,但由于很难有效满足k-means需要频繁迭代的特点,因此执行效率仍然不能让人满意.该文研究提出了基于新一代并行计算系统Spark的k-means文本聚类并行化算法,利用RDD编程模型充分满足了k-means频繁迭代运算的需求.实验结果表明,针对同一聚类文本大数据集和同样的计算环境,基于Spark的k-means文本聚类并行算法在加速比 、扩展性等主要性能指标上明显优于基于Hadoop的实现,因此能更好地满足大规模文本数据挖掘算法的需求.%Due to sharp increase of internet texts ,the processing of k-means on such data is incredibly lengthened . Some classic parallel architectures ,such as Hadoop ,have not improved the execution efficiency of K-means ,because the frequent iteration in such algorithms is hard to be efficiently handled .This paper proposed a parallelization algo-rithm of k-means based on Spark .It makes full use of in-memory-computing RDD model of Spark so as to well meet the frequent iteration requirement of k-means .Experimental results show that k-means executes much more effi-ciently in Spark than in Hadoop on the same datasets and the same computing environments .

著录项

  • 来源
    《中文信息学报》|2017年第4期|145-153|共9页
  • 作者单位

    中国矿业大学 物联网(感知矿山)研究中心,江苏 徐州 221008;

    矿山互联网应用技术国家地方联合工程实验室,江苏 徐州 221008;

    中国矿业大学 物联网(感知矿山)研究中心,江苏 徐州 221008;

    中国矿业大学 信息与电气工程学院,江苏 徐州 221116;

    中国矿业大学 物联网(感知矿山)研究中心,江苏 徐州 221008;

    矿山互联网应用技术国家地方联合工程实验室,江苏 徐州 221008;

    中国矿业大学 物联网(感知矿山)研究中心,江苏 徐州 221008;

    矿山互联网应用技术国家地方联合工程实验室,江苏 徐州 221008;

  • 原文格式 PDF
  • 正文语种 chi
  • 中图分类 程序设计、软件工程;
  • 关键词

    k-means; 并行化; 文本聚类; Spark; RDD; Hadoop; MapReduce;

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号