并行策略优化的TSCAN：图聚类算法的性能提升与参数稳定性

本文主要探讨了"论文研究-TSCAN：利用并行策略改进的图结构聚类算法"这一主题。在当前的图数据处理领域，随着图数据的日益增长和复杂性，图数据聚类已经成为一个重要的研究课题。SCAN，作为一种经典的基于密度的图聚类算法，以其能够识别出图中的聚类、Hub节点和异常点的能力而受到关注。然而，SCAN算法在面对大规模图数据时，由于需要计算每条边的结构相似性，导致效率较低，特别是当涉及到两个关键参数ε和μ的选择时，算法的性能对这两个参数非常敏感。 为了解决这些问题，研究者们提出了一个基于OpenMP的并行化策略，通过多线程并行计算，显著减少了节点相似性的计算时间，从而在一定程度上实现了算法的加速。同时，针对负载均衡问题，文中设计了两种有效的策略，以确保在并行处理过程中资源的合理分配，提高整体性能。 更重要的是，作者提出了TSCAN，这是一种基于三角形的新型图结构聚类算法。TSCAN的优势在于它降低了对ε和μ等参数的依赖，使得算法对参数的敏感度降低，这对于实际应用中的参数调整提供了更大的灵活性。此外，TSCAN还能够有效地检测到重叠和更密集的社区结构，这在许多现实场景中具有更高的实用性，比如社交网络分析、生物网络挖掘等。 论文的作者团队来自深圳大学计算机与软件学院和成都信息工程大学，其中包括陈亚中、李振军、李荣华、毛睿和乔少杰等学者，他们在数据挖掘、大数据、人工智能等领域有着丰富的研究背景。研究得到了国家自然科学青年基金和广东省联合基金的支持，表明其研究成果具有较高的理论价值和实际应用潜力。 本文的发表时间为2019年，收录于《计算机工程与应用》期刊，强调了TSCAN算法在解决大规模图数据聚类问题上的创新性和有效性。通过实验验证，基于多核的并行算法展示了接近线性的加速效果，证明了TSCAN算法在提升聚类效率和参数稳定性方面取得的突破。整体而言，这篇论文为图数据聚类领域的研究者提供了一个重要的改进思路和技术参考。