基于mapreduce的k-medoids并行算法

？为了解决传统k-medoids聚类算法在处理海量数据信息时所面临的内存容量和cpu处理速度的瓶颈问题，在深入研究k-medoids算法的基础之上，提出了基于mapreduce编程模型的k-medoids并行化算法思想。map函数部分的主要任务是计算每个数据对象到簇类中心点的距离并（重新）分配其所属的聚类簇；reduce函数部分的主要任务是根据map部分得到的中间结果，计算出新簇类的中心点，然后作为中心点集给下一次mapreduce过程使用。实验结果表明：运行在hadoop集群上的基于mapreduce的k-medoids并行化算法具有较好的聚类结果和可扩展性，对于较大的数据集，该算法得到的加速比更接近于线性。