张量分解的方法不仅能够保留高维数据中潜在的结构关系,同时能够实现高维数据的降维和特征提取,因此广泛的用于高维数据的数据挖掘研究中。但在实际应用场景中,张量分解算法的时效性较差。因此,研究高效的张量分解算法对于处理现实场景中的应用问题具有重要意义。本文以提高张量分解在实际应用场景中的计算效率为目的,以GPU并行技术为基础,首先针对算法中常用的矩阵运算,给出一种省去冗余计算步骤的改进算法;然后针对现实中高维数据稀疏性的特点,采用稀疏的数据结构进行存储和计算,提高GPU并行计算过程中的内存使用效率;最后设计适当的线程划分方式,设计实现并行算法,最大程度的提高并行算法的计算效率。本文的主要工作如下:第一,总结分析数据挖掘中张量分解相关领域的研究现状,阐明高效的张量分解算法所具有的现实意义,对比现有研究学者对于提高张量分解算法效率的研究思路。第二,介绍张量和张量分解的基本概念,研究CP张量分解的原理,分析了CP-ALS算法的时间与空间复杂度,为后续研究工作奠定基础。第三,研究现有的并行开发环境和并行技术,包含GPU的硬件特性和CUDA计算平台的并行计算模型特点。分析了现有基于GPU的并行张量分解算法的不足,例如算法并行程度不高,计算任务庞大等。第四,针对张量分解CP-ALS算法中包含复杂矩阵运算的步骤,如Khaki-Rao乘积,提出一种改进的计算思路。同时,采用稀疏的数据结构,给出改进方法的基于GPU的并行化方案。最后,设计实现完整的结合GPU技术的并行CP张量分解算法,并通过CUDA并行计算平台在模拟数据集和真实数据集DBLP与Movielens上进行了算法的性能对比的实验分析。第五,对张量分解算法在实际中的应用做了进一步的研究。在时序网络的社区发现研究中,针对基于张量分解的社区发现算法的理论分析的证明不足,首先论证模块度张量在分解后得到系数与社区模块度之间存在正比关系,建立社区发现算法的优化目标函数与社区模块度之间的等价关系,进而提出一种基于模块度张量的社区发现算法。在模拟数据集和真实数据集PSTN与DBLP上,验证算法的有效性。