数据挖掘是一门实用的学科,它根据具体问题应用具体方案,在繁杂的数据中找到规律,给问题的研究人员提供决策辅助。图论是一门研究客观世界中事物间联系的学科。两者相结合,就是希望通过图模型找到具体解决方案,挖掘出客观世界中数据的客观规律。当今社会,越来越多的数据可以抽象成网络结构,从而在图论领域的数据挖掘问题也越来越多,其中就不乏在二分图领域的数据挖掘问题,前人也在这一问题上获得了许多研究成果。本文研究的主要关注点在于,二分图上的子图结构二分团,以及极大二分团的枚举。极大二分团枚举在现实社会中具有重要意义,可以被应用于多个领域,例如,购买趋势预测,社交网络的统计分析,探讨蛋白质相互作用网络的一些有趣结构,电子商务网站的刷单应用等。为了令研究内容更具有实际意义,笔者首先分析实际二分图数据的特点,发现普遍具有规模大,数据稀疏等特点。而在前人的一些研究成果中,并没有重视这些特点,存在优化空间。在前人对解决极大二分团枚举问题的研究成果中,最好的方法是基于MapReduce框架设计的一个并行解决方案mrMBEA,它具有不错的扩展性和加速比。但同时,这一解决方案存在一定的缺陷,例如没有利用稀疏二分图的结构特点,对任务量估计存在偏差等等。本文为了设计一个效果更好的并行解决方案,首先从串行算法入手,通过设计一个高效的串行算法,然后将它并行化,从而达到目的。经过查阅资料发现,有一个种基于递归迭代的串行算法iMBEA,在解决极大二分团枚举问题上效果显著,但是它也存在很多缺点,例如没有分析稀疏二分图的结构特点,算法过程存在冗余,不易并行等等。本文通过分析和优化,最终设计了一个新的串行算法sMBEA,也通过实验验证它的性能优势,在此基础上,又设计了动态负载均衡策略和共享参数存储结构,得到了并行解决方案psMBEA,并通过实验结果验证了其性能比传统mrMBEA算法更加高效。