Spark下分布式深度信念网络(Distributed Deep Belief Network, DDBN)存在数据倾斜、缺乏细粒度数据置换、无法自动缓存重用度高的数据等问题，导致了DDBN计算复杂高、运行时效性低的缺陷．为了提高DDBN的时效性，提出一种Spark下DDBN数据并行加速策略，其中包含基于标签集的范围分区（Label Set based on RangePartion, LSRP）算法和基于权重的缓存替换（Cache Replacement based on Weight，CRW
