图数据挖掘作为一种重要的数据分析方法,在现实生活中有很多应用。通过图挖掘技术做相关的科学分析可以比较快速的得到有用信息,例如,在化学研究领域中,化学分子具有标准的图结构,而且它有典型的环和链,可以利用图论知识对化学分子结构图数据进行挖掘研究。同样在生物学中,也有基于图挖掘的蛋白质群落算法。在蛋白质的相互作用关系网络中寻找感兴趣的蛋白质群落。在维普这一类的期刊文献库中,也有基于图的文献引用关系挖掘算法的研究。提出用图挖掘解决文献间相似关系的衡量问题,通过以文献为结点构造的图形中的结点和结点之间的相互关系,反映出文献和文献之间的链接关系,并通过被引用的次数多少得到文献的权威度。目前我们在做图数据挖掘算法研究的时候,所用到的图数据规模都不是很大,一般情况下都可以一次性的全部调入内存并运算。然而随着数据规模的不断增加,传统的平台面对这些海量的图数据时,存在诸多的不足,无法保证较高的运行效率。而以Hadoop和MapReduce为代表的技术平台恰好可以解决这些问题。本文通过研究分析基于Apriori思想的三种并行数据挖掘算法CD算法、DD算法和CaD算法以及它们在Hadoop和MapReduce的具体实现。虽然基于MapReduce编程模型实现后,上述三种数据挖掘算法有了一定程度的性能提升,但是上述算法在进行数据挖掘时存在不足,比如在Map实现阶段步骤中,算法在循环迭代进行计算的时候产生了很多不必要的重复键值对和不必要的内存操作,导致处理速度缓慢,不能充分利用MapReduce编程模型的特性,增加了不必要的工作量。本文提出了一种改进的MapReduce_Edge_Extend算法,实现了基于MapReduce编程模型平台下的频繁子图挖掘算法。该算法的主要的思路仍然是基于Apriori思想,在进行边扩展生成新的频繁子图时,利用已经得到的K阶频繁子图生成K+1阶的频繁子图,减少了不必要的重复键值对,提高了数据挖掘的效率。在实验部分,考察上述提到的各种算法分别在传统单机环境和在Hadoop与MapReduce编程平台两种情况下运行实验时的效率对比,可以发现通过Hadoop与MapReduce平台运行时,在保证算法的正确性的基础上,运行时间效率会得到很大程度的提高,改进后的MapReduce_Edge_Extend算法相对运行效率也更高。