形式概念分析是一种有效的知识表示与知识发现的工具,已被成功应用于知识工程、机器学习、信息检索、数据挖掘、软件工程、社交网络分析等许多领域。三支概念分析是形式概念分析的拓展,结合了三支决策中“三分而治”的思想,相对于形式概念分析提供了更加丰富的信息。然而三支概念分析理论被提出来并不久,有效的三支概念构建算法比较少,尤其是在数据规模比较大的情况下。本文设计实现三支概念与三支概念格的分布式构建算法,使得三支概念分析理论可以在大数据领域得到良好的发展与应用。首先,论文分析现有经典概念格构建算法和三支概念格构建算法的基本思想,在Spark分布式框架的基础上提出了SI3C算法。SI3C算法借鉴In Close算法的优点,设计实现基于Spark的三支概念分布式构建算法。为了使算法适应Spark分布式集群框架,SI3C算法将In Close算法深度优先搜索的遍历方式改造为广度优先搜索,从第二层开始,迭代生成每层三支概念。算法将上一次迭代生成的所有三支概念分布到Spark集群各个节点中,以任务并行的方式计算出该层三支概念的所有亚概念,直到生成最小的三支概念为止。同时算法使用Spark丰富的高性能算子实现三支概念的生成与剪枝操作,并对In Close算法生成概念的过程进行改进,减少计算的复杂度。论文对多组数据集进行实验,实验结果表明:SI3C算法能够有效地计算出形式背景对应的所有三支概念。其次,论文提出了基于背景分解的三支概念构建算法CV3C。CV3C算法首先通过形式背景的并置或叠置操作将三支概念的构造问题转化为经典概念的构造问题;其次,算法通过二部图中的割点将形式背景进行分解得到若干子背景,并在Spark框架上对每个子背景分别调用经典概念串行算法,以数据并行的方式计算出所有子背景对应的形式概念,再将生成的概念进行重构将其转化为三支概念。接着论文对CV3C算法进行优化,提出CV3C+算法,对分解不均匀的子背景进行特殊处理。当子背景的维度超过阈值时,调用经典概念分布式构建算法SIFC,再以任务并行的方式计算出该子背景对应的概念,提高算法的并行度。为了验证算法的效率,论文选取多组具有割点的形式背景进行实验,实验结果表明基于背景分解的三支概念构建算法与直接通过形式背景叠置计算三支概念的算法相比计算效率得到了提升;优化后的CV3C+算法性能也优于CV3C算法。最后,在Spark Graph X组件上对记录了概念层次关系的SI3C算法生成的三支概念设计相应的三支概念格Hasse图构建算法SI3CL,以图形化的方式展现三支概念间的父子关系。论文通过多组随机数据进行实验,实验表明三支概念格Hasse图分布式构建算法SI3CL能够有效的计算出三支概念间的父子关系并且生成对应的Hasse图。