6] 附图中，
[0037] 图1为本发明MapRe化ce平台上基于本地密度的聚类方法一较佳实施例的流程 图。
【具体实施方式】
[003引下面结合附图，通过对本发明的【具体实施方式】详细描述，将使本发明的技术方案 及其有益效果显而易见。
[0039] 参见图1，其为本发明MapRe化ce平台上基于本地密度的聚类方法一较佳实施例 的流程图。该较佳实施例主要包括：
[0040] 步骤10、对待聚类的数据进行预处理，构造W节点表征数据的连通图，并W节点之 间的边的长度表征数据之间的相似度，节点之间的边越短，节点所表征的数据之间相似度 越高。步骤10中首先按照预先设定的规则计算待聚类数据之间的相似度，然后构造连通 图；W中国专利申请CN201410814330.4 "虚拟人建立方法及装置"为例，其中待聚类的数据 为账号，根据账号之间协同出现的情况来计算账号之间的相似度，进而构建连通图。
[0041] 步骤20、W连通图中的节点和边的信息作为输入数据，通过Map作业生成包括节 点W及邻边信息的键值对，通过Re化ce作业生成包括节点、节点的本地密度化0W及节点 所有邻边信息的输出，化0定义为连接本节点的长度低于预定义值化的邻边的数目。
[0042] 步骤20具体可W包括：
[0043] 步骤21、连通图中的节点和边的信息作为输入数据经由Map作业生成键值对，其 中，键包括标识节点的字段，值包括标识邻居节点的字段和标识该节点和邻居节点之间邻 边的边长的字段。邻边信息包括对应的邻居节点和邻边边长。作为优化，步骤21中，键还 可W包括标识该节点和邻居节点之间邻边的边长的字段。
[0044] 应用时，可W将输入数据的每一行对应一组节点之间的边信息。故为方便起见，可 W将输入数据设定为依次由小标识值节点a、大标识值节点b和边长len(a,b)组成的S元 组：[a,b,len(a,b)]。
[0045] 因为对于每个节点都需要计算它们的化o值，对连通图中的一条边信息，Map作 业将会有两次<Ifey,Value〉输出。每个Ifey值或Value值均依次由left和ri曲t两 个字段组成。具体来说，第一次的K巧值可W是K1 = <a,len(a，b)〉（该里，left= a,ri曲t=len(a,b))，Value值可W是VI= <b,len(a,b)〉，第二次的Key值可W是K2 = <b,len(a,b)〉，Value值可W是V2 = <a,len(a,b)〉。
[0046] 步骤22、对键值对按照键所包括的节点进行分区，键包括相同节点的键值对分配 至同一分区。在此实施例中具体来说，各记录所将归属的分区（Partition)的序列将只与 Map输出Key值的第一个字段有关。比如说，分区序列可W为Key的left字段的哈希值与 已知总分区数的余数，W伪代码表示即：
[0047]K.left.hashCode0 %总分区数。
[0048] 该实际上保证了相同节点left字段的节点的边信息，都会分配到同一个分区中 进行存储。
[0049] 步骤23、对于同一分区内的键值对按照键所包括的节点进行分组，键包括相同节 点的键值对分配至同一组；
[0050] 分组佑roupCompare)的结果将只与相比较的K巧值它们的第一个字段的比较结 果有关。举例来说，对于两个Key,kl和k2,相应的比较（compare)结果为；
[0051]kl.left,compare化2.left)。
[0化2] 该实际上保证了，每一个节点的所有边的信息（Value值，邻居点和边长），都会在 同一次Re化ce过程中调用。
[0化3] 步骤24、对于属于同一组的键值对按照键所包括的邻边的边长进行排序。步 骤24中的排序可W为升序排序。步骤24作为一个可选的优化措施，可W称为组内排序 (So;rtComparato;r，SC)，可设定为按left和ri曲t次序两个字段先后进行比较的结果。W 伪代码表示即：
[0054]
[0 化 5]
[0化6] 由于Key的ri曲t值均表示边长，故该里实际上保证在Re化ce过程中的迭代式 时，边信息是按照边长的长短的升序顺序返回的。注；实际上，步骤21中Key值设定为由节 点标识和边长两个字段构成，就是为了进行该优化；若无该优化的考虑，则步骤21中Key值 仅有节点标识组成即可。
[0化7] 步骤25、经由Re化ce作业，通过对属于同一组的键值对的值的迭代来遍历同一节 点的所有的邻边，生成包括节点、节点的本地密度化0W及节点所有邻边信息的输出。
[0化引步骤25中Re化ce作业的输出为键值对，其中，键包括标识节点的字段，值包括标 识节点的字段，标识节点化0的字段W及标识节点所有邻边信息的字段。
[0化9] 经过上述步骤，在每一次Re化ce调用时，均可通过对Values的迭代来遍历同一节 点的所有的边。每次Re化ce过程调用时，都会输出如下S部分信息：当前节点n的标识，n的化0值，按边长进行排序后的n的所有邻边信息。
[0060] 当使用上述SC进行了优化时，化0值的计数可在迭代到的边长大于预定义值化时 便结束。同时，由于邻边已经借助SC进行了升序排序，邻边信息亦可按迭代时的先后拼接 即可。若未进行该优化，则化0值的计数需迭代到了最后一条边时才能结束，而邻边信息需 要排序后再作为Value值的一部分。
[0061] 作为举例，输出的格式可W为键值对：
[0062] [K=n,V= <n,化0 (n),nl:len(n,nl),n2:len<n,n2>…nN:len<n,nN〉>]。
[0063] 该较佳实施例通过W上所述的第一个MapRe化ce任务，主要实现计算化o值，并对 邻居节点按距离升序排序。接下来的第二个MapRe化ce任务，主要实现计算Delta值，并标 识类中屯、点。
[0064] 步骤30、对于步骤20中Re化ce作业的输出，通过Map作业生成包括节点、节点 化0、邻居节点化0W及邻边信息的键值对，对每个节点，通过Re化ce作业遍历节点化0、所 有邻居节点化0W及所有邻边信息，得出每个节点的离散度Delta,再结合预定规则来进行 类标识。
[00化]在此较佳实施例中预定规则为；节点的化〇和Delta分别高于作为输入参数的阔 值R_T和阔值D_T，则该节点为一个类的中心该节点的类标识取其自身类标识；否则，节 点的类标识取距离其最近且化0更高的邻居节点的类标识；孤立节点的类标识为自身类标 识。该预定规则与中国专利申请CN201410814330.4 "虚拟人建立方法及装置"中所采用的 规则类似一刚性的要求化0值和Delta值高于某个分别对应的阔值。
[0066] 该只是节点是否可标识为类中屯、的方法之一。从根本来说，节点是否可作为类中 屯、节点是根据节点的化0值和Delta值来进行的。其实，还存在其他利用包括化0值和Delta值在内的因素来进行判断的各种方法。本发明MapRe化ce平台上基于本地密度的聚 类方法在类中屯、点的确认方式上，也可w松懈，能更快的完成聚类操作。例如，预定规则可W包括；预先划分化0值可能取值区间W及对应的Delta值可能取值区间，如果节点的化0 值属于Rho值可能取值区间且节点的Delta值属于对应的Delta值可能取值区间，则该节 点为一个类的中屯、，该节点的类标识取其自身类标识；否则，节点的类标识取距离其最近且 化0更高的邻居节点的类标识；孤立节点的类标识为自身类标识。比如；如果节点的化0值 在[10, 20]范围，且Delta值也在[0. 9*10, 0. 8*20](即Delta值也在随化0值变动的某个 范围内，Delta值取值范围与化0值取值范围相对应，该节点也可标识为类中屯、）。
[0067] 求解某个节点的Delta值，需要取得其邻边对应的化0值。在步骤20中Re化ce作 业的输出下，可W借助通用的MapRe化ce上进行笛卡尔积（Cartesian Pro化ct)的方式，来 实现对邻居节点的化0值的遍历一通过自定义InputFormat来实现全连接。该里的遍历， 实际上是为了后续求出Delta值。相关的案例可参见[〈〈MapReduce Desi即Patterns〉〉， 0, Reilly, Dec. 2012, p: 128-13引所述。
[0068] 步骤30具体可W包括：
[0069] 步骤31、对于步骤20中Re化ce作