论文研究一种基于Hadoop的高效[K]Medoids并行算法.pdf

针对传统[K]-Medoids算法对初始聚类中心敏感、收敛速度慢，以及在大数据环境下所面临的内存容量和CPU处理速度的瓶颈问题，从改进初始中心选择方案和中心替换策略入手，利用Hadoop分布式计算平台结合基于Top[K]的并行随机采样策略，实现了一种高效稳定的[K]-Medoids并行算法，并且通过调整Hadoop平台，实现算法的进一步优化。实验证明，改进的K-Medoids算法不仅有良好的加速比，其收敛性和聚类精度均得到了改善。