全文总字数：6415字
文献综述
1. 前言我们正处在大数据时代，当今的数据规模随时间以指数级增长。
尽管当今的算力也同样随着时间以指数级增长，但是在真实的场景下，大数据往往是以关联大数据的形式存在的。
例如，在社会中，人与人之间的关系形成了社交网络；在生物组织中，不同的蛋白质之间形成了蛋白质网络；在金融场景中，货币的流通则形成了金融网络。
对于存在关联的数据样本，处理一个样本就需要同时考虑关联样本，因此在时间尺度上对于关联的大数据的有效分析和处理所需的算力随时间呈双指数增长趋势，从而给关联大数据处理带来了严峻挑战。
在处理这些网络大数据时，网络因其强大的表征能力，成为了最直接的表达方式。
如何对网络进行高效的分析和处理，成为了关联大数据在实际应用中的关键问题。
目前，业界对于网络大数据主要采用基于规则的浅层次分析，原因在于传统的网络表征方式为点集和边集的共同组合。
然而，这种基于网络拓扑的表征方式存在这明显的缺陷[3]。
其一，这种表征方式使得以迭代为基础的网络分析算法的计算复杂度过高，从而阻碍了相应算法在大规模网络上的应用。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
