聚类算法可以用于将整个样本集合划分为多个群落,从而发现有意义的样本群体。因此作为一种高效的数据分析工具,聚类算法早已成为国内外学者广泛研究的热点技术之一。Huang提出的K-Modes聚类算法使用属性匹配度量公式拓展了K-Means聚类算法,使其可以对无序型分类属性数据执行聚类分析。该算法使用的0-1简单匹配相异度度量方法弱化了类内同一维度属性下属性值之间的相似性,忽略了不同维度属性之间的差异性。单一属性值的聚类中心Modes忽视了某一维度属性可能存在多属性值组合,且算法受初始中心点影响很大。以上问题都有可能导致分类数据的聚类效果较差。此外由于数据的爆炸式增长,串行执行的传统算法难以在有效时间内处理超大规模的数据集和超高维度的数据模型。Spark作为最新的大数据平台善于执行海量数据的分析任务,然而Spark现有的机器学习算法库中缺少分类数据的聚类算法,导致无法有效利用Spark平台处理海量分类数据的聚类问题。针对以上问题本文首先提出了一种MAV-K-Modes聚类算法,使用基于预聚类的多属性值聚类中心Modes初始化方法和基于多属性值聚类中心Modes的相异度度量方法。其次本文在改进后的MAV-K-Modes聚类算法基础上基于Spark平台对该算法进行并行化改造,并分别针对静态数据集和增量数据集提出了相应的设计方案。本文的主要研究内容有以下几点:(1)针对算法准确率问题,本文提出了一种基于多属性值聚类中心Modes的MAV-K-Modes聚类算法有效提升了无序型分类数据聚类结果的准确率。该算法使用基于预聚类的多属性值聚类中心Modes初始化方法,减轻了算法受局部最优解的影响。使用的基于多属性值聚类中心Modes的相异度度量方法改进了传统K-Modes算法简单0-1匹配度量方法的缺点,有效防止了聚类过程中重要属性值丢失,强化了类内同一维度属性下属性值之间的相似性。使用信息熵理论计算不同维度属性的权重,强化了不同维度属性之间的差异性。(2)针对算法执行效率问题,本文基于Spark分布式计算平台提出了一种适用于静态数据集的并行MAV-K-Modes聚类算法和一种适用于增量数据集的增量MAV-K-Modes聚类算法。并行MAV-K-Modes聚类算法在不影响聚类结果准确率的前提下,有效提升了处理海量分类数据的聚类算法执行效率。增量MAV-K-Modes聚类算法在略微降低聚类结果准确率的前提下,有效提升了处理增量数据集的聚类算法执行效率。