1、聚類算法作為一種非監(jiān)督學(xué)習(xí)的方法，在很多領(lǐng)域都有大量應(yīng)用。目前，針對數(shù)值數(shù)據(jù)的聚類分析已經(jīng)得到深入的研究，但針對數(shù)值數(shù)據(jù)的聚類分析方法并不適合處理現(xiàn)實中存在的大量分類數(shù)據(jù)。分類數(shù)據(jù)由非數(shù)值的屬性組成，其聚類模型與數(shù)值數(shù)據(jù)不同。大規(guī)模、高維度分類數(shù)據(jù)的聚類分析更具挑戰(zhàn)性。針對這一問題，本文對分類數(shù)據(jù)聚類算法特別是并行聚類算法進行深入研究，對已有的一個分類數(shù)據(jù)聚類算法進行改進并在Hadoop平臺上實現(xiàn)了這個改進算法的并行化。
　　首先

2、，在分析研究聚類算法，特別是分類數(shù)據(jù)的并行聚類算法之后，深入分析了代表性的分類數(shù)據(jù)聚類算法CLOPE。CLOPE采用一種基于統(tǒng)計直方圖的全局評估函數(shù)作為評價聚類優(yōu)劣的標準，在大規(guī)模、稀疏、高維數(shù)據(jù)集的聚類上取得很好的聚類效果。然而該算法受輸入數(shù)據(jù)記錄的順序影響，難以獲得穩(wěn)定且全局最優(yōu)的聚類劃分結(jié)果。因此提出一種基于等分劃分再排列思想的MRCLOPE算法來克服這一不足。在MRCLOPE算法的每一次迭代過程中，對輸入數(shù)據(jù)進行等分劃分，對劃分

3、塊進行排列以形成不同順序的輸入數(shù)據(jù)集，然后對各種順序的輸入數(shù)據(jù)集分別聚類，并選取最優(yōu)的聚類結(jié)果作為下一次迭代的輸入。
　　其次，針對MRCLOPE計算過程中出現(xiàn)的相同中間結(jié)果，我們提出一種結(jié)果復(fù)用策略，通過充分利用可重用的中間結(jié)果可以較大程度地提高聚類的速度。
　　再次，為了進一步降低MRCLOPE算法的時間復(fù)雜度，給出了分布式的解決方案，在Hadoop平臺上用MapReduce并行編模型實現(xiàn)了一個包含 MRCLOPE相關(guān)算

4、法的聚類工具，并發(fā)布到開源社區(qū)（https://github.com/j2cms/mrclope）方便其他人使用。
　　最后，使用蘑菇數(shù)據(jù)集等三個分類數(shù)據(jù)集測試了MRCLOPE算法。實驗表明，MRCLOPE算法能比CLOPE算法取得更優(yōu)的聚類結(jié)果。對蘑菇數(shù)據(jù)集在CLOPE算法取得最優(yōu)聚類結(jié)果時，MRCLOPE取得比CLOPE大35.7％的收益值。在處理大量數(shù)據(jù)時，并行MRCLOPE比串行 MRCLOPE極大地縮短了聚類時間，取得了