基于社区发现算法的推荐系统研究

2021-06-06董淳

中国新通信 2021年7期

【摘要】作为分析和探索图形数据信息的关键方法之一，社区在过去十年中引起了学术界和工业界的极大兴趣。有多种用于小区发现的优化算法，但是仍然缺少合理的系统软件，可以建议使用适度的优化算法，根据给定地图的特征在地图上实现小区发现。此外，系统软件应允许科研人员为单个实验选择不同的单元，以发现优化算法。为了更好地解决上述问题，本文基于小区发现优化算法的总体架构，创造性地设计了方案，并完善了小区发现优化算法推荐算法。该系统软件结合了小区发现优化算法的图svm算法。相似度测量和准确性测量。该市场研究报告的重点工作包括社区搜索优化算法推荐算法CDREC的设计计划。 CDREC键包含许多程序模块，例如优化算法实现控制模块。优化算法建议使用控制模块和数据可视化控制模块。为了更好地提高优化算法的实用性，它展示了构成CDREC的优化算法实现控制模块的各种计算机语言激活套接字，例如C，Python和Web SERVICE。为了更好地处理在给出操作之前澄清最佳细胞检测优化算法的问题，我们明确提出了一种自主创新优化算法。建议使用实体模型和相对细胞检测优化算法。关于图形数据信息，我们明确提出了三种基于马尔可夫链，两跳邻域构造和归一化邻域构造的svm算法。基于每个单元中找到的优化算法的结果的标准化互信息（NMI）指数以及根据各种采集方法获得的特性，他们清楚地提出了一种基于深度卷积和神经网络的方法。优化算法强烈推荐实体模型。在LFR综合数据上的实验结果表明，本文明确提出的优化算法建议该物理模型具有出色的可行性分析。最后，将实体模型和优化算法合并以产生CDREC的优化算法。建议使用控制模块。为了更好地可视化结果并提高此日常任务的适用性，我们完成了CDREC的操作界面。该系统软件可以向客户指示图形算法设计，社区发现结果，社区评估结果和社区优化算法的强烈推荐结果，并为科研人员和一般客户展示出色的实践经验。

【关键词】社区发现算法推荐特征提取可视化

一、研究背景与意义

社区搜索是图构造大数据挖掘的关键方法之一，它被定义为仅使用图拓扑信息内容来搜索图构造数据信息中的潜在单元结构。从理论上讲，社区发现优化算法也是一种聚类算法，可让您从图中的非结构化数据中探索信息内容的深层结构。没有统一的，定量的分析和明确的定义来建立学术界的“社区”定义。当稍后应用小区检测优化算法时，小区发现优化算法将从不同的角度遇到问题。这是因为当多个长宽比的优化算法不一致时，设计解决方案就会出现不一致的问题。

在优化算法的应用级别上，一些科研人员必须应用各种社区发现优化算法来比较实验在研究过程中的实际效果。科研人员必须拥有包含各种细胞发现优化算法的专用工具，该工具可以自由地调整细胞选择优化算法的主要输入参数，最后返回到细胞发现结果和细胞结构评估结果。

从结果公告的角度来看，只有将细分的结果返回给客户才能满足最基本的要求。对于大量客户，每个人都期待评估结果和发现的社区结构的直观指示。因此，客户必须具有数据可视化系统软件。数据可视化系统软件运行单元优化算法或推荐系统后，可以图形化地显示单元分割和优化算法强烈推荐的结果，连接点的大小不易。

为了更好地解决问题和要求，本文首先设计了CDREC，一种用于社区搜索的优化算法推荐算法，包括一个优化算法实现控制模块。优化算法建议使用控制模块和数据可视化控制模块。随后，将优化算法实现控制模块与单元优化算法的一般体系结构紧密结合[3]，完成了12种符号单元优化算法，并完成了要由CDREC激活的C，Python和WebService套接字。在本文中，优化算法建议以控制模块为例。设计方案提出了三种图形化的svm算法方法，它们将规范的互信息评估方法与深度卷积和神经元网络相结合，并明确提出了一种用于细胞发现的优化算法。建议对CoDRM进行建模，并基于多个实验进行svm算法。一探究竟。优化算法建议物理模型的有效性和准确性。最后，对于数据可视化控制模块，您可以完成一个用户界面，该界面可以向客户显示便捷高效的优化算法实现和优化算法建议，并在数据图中显示结果。

二、面向社区发现的算法推荐系统概览

社区搜索是图构造大数据挖掘的关键方法之一，它被定义为仅使用图拓扑信息内容来搜索图构造数据信息中的潜在单元结构。从理论上讲，社区发现优化算法也是一种聚类算法，可让您从图中的非结构化数据中探索信息内容的深层结构。没有统一的，定量的分析和明确的定义来建立学术界的“社区”定义。

从结果公告的角度来看，只有将细分的结果返回给客户才能满足最基本的要求。对于大量客户，每个人都期待评估结果和发现的社区结构的直观指示。因此，客户必须具有数据可视化系统软件。数据可视化系统软件运行单元优化算法或推荐系统后，可以图形化地显示单元分割和优化算法强烈推荐的结果，连接点的大小不一。

为了更好地解决问题和要求，本文首先设计了CDREC，一种用于社区搜索的优化算法推荐算法，包括一个优化算法实现控制模块。优化算法强烈建a议使用控制模块和数据可视化控制模块。随后，优化算法实现控制模块与单元优化算法的一般体系结构紧密集成[3]，完成了12種符号单元优化算法，并完成了CDREC将使用的C，Python和WebService套接字。在本文中，优化算法建议以控制模块为例。优化算法建议实体模型的有效性和准确性。最后，对于数据可视化控制模块，您可以完成一个用户界面，该界面可以向客户显示方便快捷的优化算法实现和优化算法建议，并在数据图中显示结果。

1.1功能模块

1.1.1算法执行模块

作为CDREC系统软件的基础，优化控制模块的算法实现尤为关键。优化算法执行控制模块分为数据转换控制模块，数据加载控制模块和执行控制模块。

数据建立控制模块完成三个功能：客户选择存储在系统中的数据，客户上载本地数据，以及客户建立人工数据。该系统软件为客户提供了一组保存的数据信息，以供快速选择和测试。如果客户选择保存数据，则Web服务器很难创建数据，但是数据库索引用于立即搜索数据文件的存储位置。该系统软件允许客户提交本地数据以实施优化算法。上载本地数据的能力为客户提供了大量选择。客户可以在本地选择数据文件，单元格分割的特定结果文件，并上传另一个优化算法单元格分割的结果文件。提交的文件格式必须符合所有正常网络体系结构中文档中存储的文件格式，以便系统软件可以正确识别它

设置参数：连接点数为12，平均数为3，较大数为8，混合数为0.5。转换为综合数据。连接点的不同色调实际上意味着不同的单元单元。

坦率地说，数据加载控制模块使用一种有效的方法将已经存储在系统文件中的一组数据加载到运行内存中。系统软件存储连接点的所有相邻连接点，然后将初始文本数据交换到图形实体模型中，以便随后进行控制模块的实际操作。

实现控制模块根据单元优化算法的一般结构，完成并集成了12种符号单元优化算法。控制模块针对每个优化算法都有一个固定的数据库索引。

1.1.2算法推荐模块

优化算法建议控制模块是CDREC系统软件的关键控制模块。它完成了向客户推荐系统的角色，分为svm算法控制模块和树学习训练控制模块。

svm算法控制模块从客户选择的数据信息中集中采集特征。根据各种采集全过程控制模块，将初始室内空间混沌图转换为特征性且有序的排水矩阵。物理模型训练控制模块将特征性排水矩阵输入社区强烈推荐的优化算法中。强烈推荐的实体模型已预先了解其主要参数，并已输出结果空间向量。最后，将与推理结果的结果空间向量中的三个最高值相匹配的优化算法返回给客户。“本文的第4章详细说明了svm算法及其设计方案和优化算法，建议对实体模型进行学习。

1.1.3可视化模块

在本文中，我认为可视化将为系统软件客户带来极大的便利，对于详细的系统软件，数据可视化控制模块是必不可少的。

数据可视化控制模块分为数据选择控制模块，优化算法选择控制模块和数据显示控制模块。数据选择控制模块适合客户从多个框架中选择数据。首先，展示了一个菜单栏，以帮助客户做出方便的选择来维护和维护数据。它还会在不同部分显示不同类型文档的可见性页面，以防止客户自己提交数据时造成的混乱。客户创建数据时，将出现一个模式框，他们可以在其中输入表2.1中的主要参数。优化算法选择控制模块对单元优化算法进行分类和分配，以便客户可以快速选择。此外，当客户选择强力推荐角色时，强力推荐的结果将显示在报告表格中。在本文的第5章中，将详细介绍数据可视化控制模块。

1.2本章小结

本章考虑了针对社区发现的优化算法推荐算法CDREC的总体体系结构，首先讨论了系统软件系统软件的整个体系结构，并简要介绍了计算机操作系统的整个过程。随后，将程序模块简要地分为三类：优化算法实现控制模块，优化算法强烈推荐的控制模块和数据可视化控制模块。本章从全局的角度详细介绍了CDREC系统软件，并为后续的详细说明奠定了基础。

二、算法执行模块

优化算法实现控制模块是系统软件的基本控制模块。系统软件的所有功能均由控制模块根据优化算法来实现。控制模块总共包括12种类型的单元优化算法，该优化算法意味着生成优化算法库的时间略短。为了在优化算法实现控制模块的完成中更好地满足更多客户的需求，在这项工作中对编码进行了统一，以获取小区发现优化算法工具箱CoDET。本章的第一部分选择了将要详细解释的两种新的优化算法，并在单元优化算法的一般结构中说明了该优化算法的分解和对应关系。本章的第二部分详细介绍了在C程序流扩展中完成启用Python的套接字的全过程以及该套接字的应用说明。本章的第三部分详细介绍了在C程序流扩展中完成WebService打开套接字的整个过程。最后一部分总结了本章的内容。由于数据创建控制模块和数据加载控制模块的功能相对简单，本章中包括的优化算法实现控制模块暂时不包括两个控制模块，而是从实现的角度进行单独描述控制模块。

2.1基于通用框架的社区发现算法分析

CDREC的优化算法实现控制模块实际上显示了详细的优化算法库，使客户可以自由选择和配备12种单元优化算法的主要参数。根据单元优化算法的一般结构，将这12种优化算法标准化，模块化并分解为不同的较小控制模块。特殊的优化算法是：CNM，Radicchi，Spectral，LPA，HNP，TopLeader，SCP，M-KMF，M-DSGE，GCluSkeleton，Attractor和DNR。下面，在本文中，我们将从通用架构的角度分析两种当代优化算法，即Attractor和DNR。

2.1.1 Attractor 算法剖析

Attractor算法已在2015年最佳国际大数据挖掘会议SIGKDD（SpecialInterestGrouponKnowledgeDiscovery and DataMining）中明确提出。优化算法通过查找连接点之间“间距”的过渡来找到单元的结構。所有优化算法的核心内容是将Internet视为响应性动态系统软件，其中每个连接点都与相邻的连接点进行交互，并且这种交互将改变连接点的即时间隔。这种相互影响最终导致距离的平滑传播和区域的分裂。这部分的具体内容是应用单元优化算法的一般体系结构来分析初始的Attractor算法，然后为优化算法库的后续完成打下坚实的基础。为了发现小区优化算法的一般架构，必须首先找到优化算法的两个重要因素：最近的邻居相似度和讨论结构。因此，对于Attractor算法，很明显，邻域相似度是“距离”。

2.1.2 DNR算法剖析

DNR优化算法是新的社区发现优化算法之一。它于2016年在国际人工智能技术合作会议（IJCAI）上发布。这是人工智能技术行业中的首屈一指的会议。寻找连接点矩阵特征值的优化算法表明，对空间矢量进行聚类算法以达到社区搜索的目的。就像在人工智能技术交流会议上发表的毕业论文一样，本文中明确提出的DNG优化算法也使用了全新的深度神经元网络技术。本文的核心内容是使用自动编码器来重构空间矢量的离散系统（即连接点），并将空间矢量之间的间距应用于聚类算法的连接点。与上一节一样，本节的具体内容是通过应用单元优化算法的通用体系结构为DNR优化算法進行分析，为其执行奠定基础。

首先，每个人都在寻找优化算法：隔壁邻居的相似性以及讨论结构的重要元素。更具体地，在DNR优化算法中，应用了应变率测量指标值Q，但是紧密相似的是欧几里德距离，而不是Q值。这是因为在聚类算法的迭代更新期间，通过此方法可以准确地测量空间矢量的间距。在迭代更新的整个过程中，连接点集从头到尾都是合理的，因此更加唯一。对于DNR优化算法，连接点集是优化算法的研究结构。

根据两个重要因素，对优化算法进行以下分析：当将因素转换为链接时，预估算过程首先测量模块化排水矩阵。

2.2 Python接口实现与介绍

单个C套接字或简单的可执行程序无法满足您的要求。为了更好地提高优化算法库的实用性并满足不同客户的需求，并充分考虑Python语言表达在当今测试和制造场景中的一般应用，本文基本上在初始阶段完成了Python激活。。

2.2.1 Python 接口实现

为了更好地扩展用C编写的新项目中启用Python的套接字的完成，本文选择使用boost库来执行该程序包。首先，将程序编译到社区搜索中的新项目的外部链接后，添加boost静态数据库。随后，社区在新项目中搜索设计方案的接口函数的输出以进行编码，将整个目标文件的后缀设置为.dll，然后通过发布将其转换为新项目。设置新项目后，我了解了dll文件。只需要将文件更改为与python控制模块的32bit / 64bit版本号相对应的.pyd文件格式。对于这种套接字控制模块，必须将它们复制到Python安装文件下的库文件目录中，以便可以正常导入它们。

2.2.2 Python包接口说明

为了更好地满足不同的需求并使客户更轻松地启用每种优化算法，本节详细介绍了经过了独特设计方案及其相关主要参数和功能的页面。

2.3 Web Service实现与介绍

对于如何更好地利用电子计算机资源的问题，WebService无疑具有更详细的答案。因此，XML（可扩展编译语言）用于存储数据信息并显示数据库的数据类型，SOAP（简单目标浏览协议）用于传输数据，而WSDL（Web服务描述语言）用于描述数据库。获得的网站。服务项目来描述。通用描述，发现和集成服务项目（UDDI）用于申请注册和发现WebServices。除了扩展Python套接字外，由于WebService提供的各种便利，WebService套接字还扩展到了初始社区搜索程序流。

2.3.1 Web Service 接口实现

在最初的C编译器新项目new项目中，您必须使用ApacheAxis和ApacheTomcat来完成基于WebService套接字的扩展。因为必须启用服务器空间并且必须使用数据上载功能，所以我是第一个使用Java来完成文档上载逻辑的人。激活单元优化算法的逻辑和主要参数与Python套接字的逻辑和主要参数配对，但是必须根据Java语言表达式来完成新的完成。随后，使用ApacheAxis2将新项目的两个部分转换为aar文档，然后使用ApacheTomcat将它们作为WebServices发布。在实际操作之后，您可以将WSDL文档部署到一个特殊的详细地址。客户可以使用Apacheaxis2转换为底层代码，并根据已发布的WebService详细地址在其Java程序流中启用单元优化算法。

2.3.2 Web Service 使用介绍

客户可以根据本文中发布的wsdl文件的详细地址轻松地创建一个启用WebService的Java程序流程，该地址将转换为以下流程：首先，在eclipse中创建一个新的Java项目。然后选择Axis2CodeGenerator，然后在WSDLfilelocation字段名称中键入Web服务的详细地址，然后可以自动生成与WebService的类和功能相对应的代码。为了更好地应用WebService，客户必须创建一个新的Java类，该类将启用WebService，实例化函数调用，调度值并最终启用WebService。

参考文献

[1]胡章荣.社区发现算法在个性化推荐系统中的应用研究[J].福建电脑，2020，36（09）：61-62.

[2]贾俊杰，刘鹏涛，陈旺虎.融合社交信息的矩阵分解改进推荐算法[J/OL].计算机工程：1-10[2021-01-06]

[3]唐新宇，张新政，刘保利.基于神经网络和社区发现的高维数据推荐系统[J].计算机应用与软件，2020，37（07）：232-239.

[4]刘蕾蕾，王胜涛，胡正银.社区画像研究综述[J].图书情报工作，2019，63（23）：122-130.

[5]熊丽荣，沈树茂，范菁.融合社区结构和社交影响力的矩阵分解推荐[J].小型微型计算机系统，2019，40（11）：2411-2417.

[6]焦梦蕾，赵涛，徐勇.个性化推荐系统的改进算法述评[J].价值工程，2019，38（22）：244-246.

[7]史艳翠，王嫄，赵青，张贤坤.基于局部扩展的社区发现研究现状[J].通信学报，2019，40（01）：149-162.

[8]夏玮，杨鹤标.改进的Louvain算法及其在推荐领域的研究[J].信息技术，2017（11）：125-128.

[9]李超逸，张仰森，佟玲玲.一种基于社区发现的微博个性化推荐算法[J].微电子学与计算机，2017，34（06）：40-44.

[10]徐正巧，高江锦，赵德伟.动态社区发现在个性化推荐系统中的应用[J].电脑知识与技术，2017，13（15）：29-30.

[11]方倩，窦永香，王帮金.基于Web of Science的社会化媒体环境下社区发现研究综述[J].中文信息学报，2017，31（03）：1-8.