当今社会进入大数据时代,发达的科技、高效的信息流通方式,使得社会活动与人们交流变得越来越频繁,产生了大量的数据。如何对这些数据进行挖掘,得到有用的信息,成为当下需要解决的现实问题。而非负矩阵分解是一种流行的数据挖掘方法,它将一个高维非负数据矩阵分解成两个低维的非负矩阵。降维后的数据,可以降低后续处理的计算复杂度,在不损失信息量的情况下压缩数据规模。因为这些优势,这一方法已广泛应用于各个领域。然而,非负矩阵分解缺少非线性信息并且在分解过程中不能保持原数据空间的几何结构,因此在某些数据集上不能得到很好的结果。对此,研究人员在非负矩阵分解中引入了图正则化的技术,提出了图正则非负矩阵分解。针对网络的图切分问题,提出对称非负矩阵分解。图正则非负矩阵分解能将数据的几何结构信息嵌入分解过程中,对称非负矩阵分解使用图邻接矩阵作为样本矩阵,引入了非线性信息,从而提高分解的效果。但是,对称非负矩阵分解也与非负矩阵分解一样在分解过程中不能保持原数据空间的局部几何结构,于是本文提出了图正则对称非负矩阵分解。由于图正则项使得非负矩阵分解的系数矩阵中的元素紧密相关,极大的增加了分解过程中数据的通信量。所以图正则非负矩阵分解不能在分布式系统上处理大规模数据。针对上述问题,本论文提出了一种分布式图正则非负矩阵分解框架,能够适应分布式集群系统对大规模数据降维的需求,并具有良好的效果。主要贡献包括:(1)对传统的图正则非负矩阵分解模型进行数学变形,提出分布式图正则非负矩阵分解模型,打破了原模型变量更新时的依赖关系,减少了计算时的通信量,得到近似线性的加速效果;(2)提出图正则对称非负矩阵分解模型,在分解过程中维持了原数据空间中的几何结构,提高分解性能;并提出分布式计算策略,使得该算法在分布式系统上得到良好的加速效果;(3)在增广拉格朗日法框架下,利用贪婪坐标下降算法求解所提出的图正则非负矩阵分解模型,使得这两类模型适应于大规模数据处理需求;(4)提出两种图构造方法,即k-NN图和稀疏表示图,的分布式计算方法,使得两种图构造方法能够在分布式系统上执行,完善分布式图正则非负矩阵分解框架。