1、隨著信息技術的飛速發(fā)展，互聯網上的數據呈現爆炸式增長，其中大部分數據以文本信息的形式存在。在大數據的時代背景下，面對大規(guī)模的文本數據，傳統的單機串行式文本聚類算法在存儲和計算速度方面存在瓶頸。隨著分布式計算框架（如Hadoop，Spark等）的出現，為傳統的算法提供了并行化的解決方案?；趫D論的譜聚類算法克服了一些傳統聚類算法的缺點，能夠在任意形狀的樣本空間得到聚類結果的全局最優(yōu)解。結合譜聚類算法和分布式計算框架Spark，對大規(guī)模的文

2、本數據集用并行化譜聚類算法進行聚類。
　　Apache Spark是一個通用的并行計算框架，通過內存計算能極大地提高大數據計算的速度。在Spark計算框架上實現基于譜聚類算法的并行化，利用Spark計算平臺的可伸縮性和基于內存計算等特點，將譜聚類算法結合Spark計算框架應用在文本聚類中，實現對海量文本數據進行并行處理和文本聚類，使譜聚類算法能夠適應數據規(guī)模的擴展，并提高文本聚類的性能。
　　相對于傳統的聚類方法（如K-Me

3、ans算法），實驗結果顯示基于圖論和矩陣計算的譜聚類算法在文本聚類中的查準率、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，分別研究設計了并行化的文本向量間的相似矩陣計算、拉普拉斯矩陣的最小前k個特征值對應的特征向量分解和降維后的特征矩陣的K-Means聚類。分析各步驟的時間復雜度，統計不同規(guī)模集群下算法運行時間的加速比。實驗結果表明，基于Spark的譜聚類算法在文本聚類中具有良