标题：“一种基于Hadoop的大规模图最短路径查询方法”描述了研究论文的主要内容，即提出一种新的大规模图最短路径查询方法，该方法是基于Hadoop平台来实现的。在大数据环境下，对大规模图数据进行最短路径查询是一个非常具有挑战性的任务。随着图数据规模的不断扩大，传统的单机环境下数据处理方法已无法满足大规模图计算的需求。因此，研究者们提出了基于Hadoop的分布式图处理方法，以解决大规模图数据的最短路径查询问题。
Hadoop是一个由Apache软件基金会开发的开源分布式存储和计算框架，它被广泛应用于大数据的存储、处理和分析。Hadoop的核心组成部分包括HDFS（Hadoop Distributed File System）和MapReduce编程模型。HDFS能够存储大规模数据集，并且保证了数据的高可靠性和高容错性。MapReduce模型能够处理海量数据的并行计算，适用于大数据的批处理。
本研究的关键点是将大规模图数据首先存储在HDFS中，然后采用经典的图划分算法CNM（Chung-Niu-Misra算法）对图数据进行分区，获得适合后续算法处理的分区结果。CNM算法是一种有效平衡图分割负载的算法，其目标是尽可能平均地分配图中顶点至各个分区，并且尽量减少分区之间的边。
在图数据被合理划分之后，研究者将最短路径查询分为子图内部查询和子图之间查询两个部分。针对这两种不同的查询类型，论文提出了基于MapReduce编程模型的并行查询处理方法。具体来说，MapReduce模型中的Map函数负责处理数据映射，它将输入数据转换成一组键值对（key-value pairs）；Reduce函数则对这些键值对进行归并操作，以完成最终的计算任务。
文中提到的D-CH方法，即采用了上述思路，通过将大规模图数据合理划分并采用并行查询处理的方式，显著提高了最短路径查询的执行效率。实验结果显示，D-CH方法在处理大规模图数据的最短路径查询问题上，展现出了良好的执行效率。
总结来说，这篇研究论文提出了一个新的解决思路，即利用Hadoop的分布式存储与计算优势来应对大规模图数据的最短路径查询难题。通过引入经典的图分割算法和MapReduce编程模型，该方法能够有效地对大规模图数据进行分区，并实现查询的并行处理，从而有效提升查询效率，满足大数据环境下对于大规模图数据处理的需求。这一方法对图数据库理论与实践的发展有着重要的意义，尤其在需要处理复杂网络数据、社交网络分析、交通网络规划等现实世界中的应用场景。
