对于基于划分的聚类算法随机选取初始聚类中心导致初始中心敏感，聚类结果不稳定、集群效率低等问题，提出一种基于MapReduce框架和改进的密度峰值的划分聚类算法（based on MapReduce framework and improved density peak partition clustering algorithm，MR-IDPACA）。首先，通过自然最近邻定义新的局部密度计算方式，将搜索样本密度峰值点作为划分聚类算法的初始聚类中心；其次针对算法在大规模数据下运行时间复杂，提出基于E2LSH（exact Euclidean locality sensitive hashing）的一种分区方法，即KLSH（K of locality sensitive hashing）。通过该方法对数据分区后结合MapReduce框架并行搜寻初始聚类中心，有效减少了算法在搜索初始聚类中心时的运行时间；对于MapReduce框架中的数据倾斜问题，提出ME（multistage equilibrium）策略对中间数据进行多段均衡分区，以提升算法运行效率；在MapReduce框架下并行聚类，得到最终聚类结果。实验得出MR-IDPACA 算法在单机环境下有着较高的准确率和较强的稳定性，集群性能上也有着较好的加速比和运行时间，聚类效果有所提升。

[2021-10-05] 印刷出版 /doc/2021.03.0093/v2