【摘要】 ? ?作為分析和探索圖形數(shù)據(jù)信息的關(guān)鍵方法之一，社區(qū)在過去十年中引起了學術(shù)界和工業(yè)界的極大興趣。有多種用于小區(qū)發(fā)現(xiàn)的優(yōu)化算法，但是仍然缺少合理的系統(tǒng)軟件，可以建議使用適度的優(yōu)化算法，根據(jù)給定地圖的特征在地圖上實現(xiàn)小區(qū)發(fā)現(xiàn)。此外，系統(tǒng)軟件應(yīng)允許科研人員為單個實驗選擇不同的單元，以發(fā)現(xiàn)優(yōu)化算法。為了更好地解決上述問題，本文基于小區(qū)發(fā)現(xiàn)優(yōu)化算法的總體架構(gòu)，創(chuàng)造性地設(shè)計了方案，并完善了小區(qū)發(fā)現(xiàn)優(yōu)化算法推薦算法。該系統(tǒng)軟件結(jié)合了小區(qū)發(fā)現(xiàn)優(yōu)化算法的圖svm算法。相似度測量和準確性測量。該市場研究報告的重點工作包括社區(qū)搜索優(yōu)化算法推薦算法CDREC的設(shè)計計劃。 CDREC鍵包含許多程序模塊，例如優(yōu)化算法實現(xiàn)控制模塊。優(yōu)化算法建議使用控制模塊和數(shù)據(jù)可視化控制模塊。為了更好地提高優(yōu)化算法的實用性，它展示了構(gòu)成CDREC的優(yōu)化算法實現(xiàn)控制模塊的各種計算機語言激活套接字，例如C，Python和Web SERVICE。為了更好地處理在給出操作之前澄清最佳細胞檢測優(yōu)化算法的問題，我們明確提出了一種自主創(chuàng)新優(yōu)化算法。建議使用實體模型和相對細胞檢測優(yōu)化算法。關(guān)于圖形數(shù)據(jù)信息，我們明確提出了三種基于馬爾可夫鏈，兩跳鄰域構(gòu)造和歸一化鄰域構(gòu)造的svm算法?；诿總€單元中找到的優(yōu)化算法的結(jié)果的標準化互信息（NMI）指數(shù)以及根據(jù)各種采集方法獲得的特性，他們清楚地提出了一種基于深度卷積和神經(jīng)網(wǎng)絡(luò)的方法。優(yōu)化算法強烈推薦實體模型。在LFR綜合數(shù)據(jù)上的實驗結(jié)果表明，本文明確提出的優(yōu)化算法建議該物理模型具有出色的可行性分析。最后，將實體模型和優(yōu)化算法合并以產(chǎn)生CDREC的優(yōu)化算法。建議使用控制模塊。為了更好地可視化結(jié)果并提高此日常任務(wù)的適用性，我們完成了CDREC的操作界面。該系統(tǒng)軟件可以向客戶指示圖形算法設(shè)計，社區(qū)發(fā)現(xiàn)結(jié)果，社區(qū)評估結(jié)果和社區(qū)優(yōu)化算法的強烈推薦結(jié)果，并為科研人員和一般客戶展示出色的實踐經(jīng)驗。

【關(guān)鍵詞】 ? ?社區(qū)發(fā)現(xiàn) ? ?算法推薦 ? ?特征提取 ? ?可視化

一、研究背景與意義

社區(qū)搜索是圖構(gòu)造大數(shù)據(jù)挖掘的關(guān)鍵方法之一，它被定義為僅使用圖拓撲信息內(nèi)容來搜索圖構(gòu)造數(shù)據(jù)信息中的潛在單元結(jié)構(gòu)。從理論上講，社區(qū)發(fā)現(xiàn)優(yōu)化算法也是一種聚類算法，可讓您從圖中的非結(jié)構(gòu)化數(shù)據(jù)中探索信息內(nèi)容的深層結(jié)構(gòu)。沒有統(tǒng)一的，定量的分析和明確的定義來建立學術(shù)界的“社區(qū)”定義。當稍后應(yīng)用小區(qū)檢測優(yōu)化算法時，小區(qū)發(fā)現(xiàn)優(yōu)化算法將從不同的角度遇到問題。這是因為當多個長寬比的優(yōu)化算法不一致時，設(shè)計解決方案就會出現(xiàn)不一致的問題。

在優(yōu)化算法的應(yīng)用級別上，一些科研人員必須應(yīng)用各種社區(qū)發(fā)現(xiàn)優(yōu)化算法來比較實驗在研究過程中的實際效果?？蒲腥藛T必須擁有包含各種細胞發(fā)現(xiàn)優(yōu)化算法的專用工具，該工具可以自由地調(diào)整細胞選擇優(yōu)化算法的主要輸入?yún)?shù)，最后返回到細胞發(fā)現(xiàn)結(jié)果和細胞結(jié)構(gòu)評估結(jié)果。

從結(jié)果公告的角度來看，只有將細分的結(jié)果返回給客戶才能滿足最基本的要求。對于大量客戶，每個人都期待評估結(jié)果和發(fā)現(xiàn)的社區(qū)結(jié)構(gòu)的直觀指示。因此，客戶必須具有數(shù)據(jù)可視化系統(tǒng)軟件。數(shù)據(jù)可視化系統(tǒng)軟件運行單元優(yōu)化算法或推薦系統(tǒng)后，可以圖形化地顯示單元分割和優(yōu)化算法強烈推薦的結(jié)果，連接點的大小不易。

為了更好地解決問題和要求，本文首先設(shè)計了CDREC，一種用于社區(qū)搜索的優(yōu)化算法推薦算法，包括一個優(yōu)化算法實現(xiàn)控制模塊。優(yōu)化算法建議使用控制模塊和數(shù)據(jù)可視化控制模塊。隨后，將優(yōu)化算法實現(xiàn)控制模塊與單元優(yōu)化算法的一般體系結(jié)構(gòu)緊密結(jié)合[3]，完成了12種符號單元優(yōu)化算法，并完成了要由CDREC激活的C，Python和WebService套接字。在本文中，優(yōu)化算法建議以控制模塊為例。設(shè)計方案提出了三種圖形化的svm算法方法，它們將規(guī)范的互信息評估方法與深度卷積和神經(jīng)元網(wǎng)絡(luò)相結(jié)合，并明確提出了一種用于細胞發(fā)現(xiàn)的優(yōu)化算法。建議對CoDRM進行建模，并基于多個實驗進行svm算法。一探究竟。優(yōu)化算法建議物理模型的有效性和準確性。最后，對于數(shù)據(jù)可視化控制模塊，您可以完成一個用戶界面，該界面可以向客戶顯示便捷高效的優(yōu)化算法實現(xiàn)和優(yōu)化算法建議，并在數(shù)據(jù)圖中顯示結(jié)果。

二、面向社區(qū)發(fā)現(xiàn)的算法推薦系統(tǒng)概覽

社區(qū)搜索是圖構(gòu)造大數(shù)據(jù)挖掘的關(guān)鍵方法之一，它被定義為僅使用圖拓撲信息內(nèi)容來搜索圖構(gòu)造數(shù)據(jù)信息中的潛在單元結(jié)構(gòu)。從理論上講，社區(qū)發(fā)現(xiàn)優(yōu)化算法也是一種聚類算法，可讓您從圖中的非結(jié)構(gòu)化數(shù)據(jù)中探索信息內(nèi)容的深層結(jié)構(gòu)。沒有統(tǒng)一的，定量的分析和明確的定義來建立學術(shù)界的“社區(qū)”定義。

從結(jié)果公告的角度來看，只有將細分的結(jié)果返回給客戶才能滿足最基本的要求。對于大量客戶，每個人都期待評估結(jié)果和發(fā)現(xiàn)的社區(qū)結(jié)構(gòu)的直觀指示。因此，客戶必須具有數(shù)據(jù)可視化系統(tǒng)軟件。數(shù)據(jù)可視化系統(tǒng)軟件運行單元優(yōu)化算法或推薦系統(tǒng)后，可以圖形化地顯示單元分割和優(yōu)化算法強烈推薦的結(jié)果，連接點的大小不一。

為了更好地解決問題和要求，本文首先設(shè)計了CDREC，一種用于社區(qū)搜索的優(yōu)化算法推薦算法，包括一個優(yōu)化算法實現(xiàn)控制模塊。優(yōu)化算法強烈建a議使用控制模塊和數(shù)據(jù)可視化控制模塊。隨后，優(yōu)化算法實現(xiàn)控制模塊與單元優(yōu)化算法的一般體系結(jié)構(gòu)緊密集成[3]，完成了12種符號單元優(yōu)化算法，并完成了CDREC將使用的C，Python和WebService套接字。在本文中，優(yōu)化算法建議以控制模塊為例。優(yōu)化算法建議實體模型的有效性和準確性。最后，對于數(shù)據(jù)可視化控制模塊，您可以完成一個用戶界面，該界面可以向客戶顯示方便快捷的優(yōu)化算法實現(xiàn)和優(yōu)化算法建議，并在數(shù)據(jù)圖中顯示結(jié)果。

1.1功能模塊

1.1.1算法執(zhí)行模塊

作為CDREC系統(tǒng)軟件的基礎(chǔ)，優(yōu)化控制模塊的算法實現(xiàn)尤為關(guān)鍵。優(yōu)化算法執(zhí)行控制模塊分為數(shù)據(jù)轉(zhuǎn)換控制模塊，數(shù)據(jù)加載控制模塊和執(zhí)行控制模塊。

數(shù)據(jù)建立控制模塊完成三個功能：客戶選擇存儲在系統(tǒng)中的數(shù)據(jù)，客戶上載本地數(shù)據(jù)，以及客戶建立人工數(shù)據(jù)。該系統(tǒng)軟件為客戶提供了一組保存的數(shù)據(jù)信息，以供快速選擇和測試。如果客戶選擇保存數(shù)據(jù)，則Web服務(wù)器很難創(chuàng)建數(shù)據(jù)，但是數(shù)據(jù)庫索引用于立即搜索數(shù)據(jù)文件的存儲位置。該系統(tǒng)軟件允許客戶提交本地數(shù)據(jù)以實施優(yōu)化算法。上載本地數(shù)據(jù)的能力為客戶提供了大量選擇。客戶可以在本地選擇數(shù)據(jù)文件，單元格分割的特定結(jié)果文件，并上傳另一個優(yōu)化算法單元格分割的結(jié)果文件。提交的文件格式必須符合所有正常網(wǎng)絡(luò)體系結(jié)構(gòu)中文檔中存儲的文件格式，以便系統(tǒng)軟件可以正確識別它

設(shè)置參數(shù)：連接點數(shù)為12，平均數(shù)為3，較大數(shù)為8，混合數(shù)為0.5。轉(zhuǎn)換為綜合數(shù)據(jù)。連接點的不同色調(diào)實際上意味著不同的單元單元。

坦率地說，數(shù)據(jù)加載控制模塊使用一種有效的方法將已經(jīng)存儲在系統(tǒng)文件中的一組數(shù)據(jù)加載到運行內(nèi)存中。系統(tǒng)軟件存儲連接點的所有相鄰連接點，然后將初始文本數(shù)據(jù)交換到圖形實體模型中，以便隨后進行控制模塊的實際操作。

實現(xiàn)控制模塊根據(jù)單元優(yōu)化算法的一般結(jié)構(gòu)，完成并集成了12種符號單元優(yōu)化算法?？刂颇K針對每個優(yōu)化算法都有一個固定的數(shù)據(jù)庫索引。

1.1.2算法推薦模塊

優(yōu)化算法建議控制模塊是CDREC系統(tǒng)軟件的關(guān)鍵控制模塊。它完成了向客戶推薦系統(tǒng)的角色，分為svm算法控制模塊和樹學習訓練控制模塊。

svm算法控制模塊從客戶選擇的數(shù)據(jù)信息中集中采集特征。根據(jù)各種采集全過程控制模塊，將初始室內(nèi)空間混沌圖轉(zhuǎn)換為特征性且有序的排水矩陣。物理模型訓練控制模塊將特征性排水矩陣輸入社區(qū)強烈推薦的優(yōu)化算法中。強烈推薦的實體模型已預先了解其主要參數(shù)，并已輸出結(jié)果空間向量。最后，將與推理結(jié)果的結(jié)果空間向量中的三個最高值相匹配的優(yōu)化算法返回給客戶?！氨疚牡牡?章詳細說明了svm算法及其設(shè)計方案和優(yōu)化算法，建議對實體模型進行學習。

1.1.3可視化模塊

在本文中，我認為可視化將為系統(tǒng)軟件客戶帶來極大的便利，對于詳細的系統(tǒng)軟件，數(shù)據(jù)可視化控制模塊是必不可少的。

數(shù)據(jù)可視化控制模塊分為數(shù)據(jù)選擇控制模塊，優(yōu)化算法選擇控制模塊和數(shù)據(jù)顯示控制模塊。數(shù)據(jù)選擇控制模塊適合客戶從多個框架中選擇數(shù)據(jù)。首先，展示了一個菜單欄，以幫助客戶做出方便的選擇來維護和維護數(shù)據(jù)。它還會在不同部分顯示不同類型文檔的可見性頁面，以防止客戶自己提交數(shù)據(jù)時造成的混亂?？蛻魟?chuàng)建數(shù)據(jù)時，將出現(xiàn)一個模式框，他們可以在其中輸入表2.1中的主要參數(shù)。優(yōu)化算法選擇控制模塊對單元優(yōu)化算法進行分類和分配，以便客戶可以快速選擇。此外，當客戶選擇強力推薦角色時，強力推薦的結(jié)果將顯示在報告表格中。在本文的第5章中，將詳細介紹數(shù)據(jù)可視化控制模塊。

1.2本章小結(jié)

本章考慮了針對社區(qū)發(fā)現(xiàn)的優(yōu)化算法推薦算法CDREC的總體體系結(jié)構(gòu)，首先討論了系統(tǒng)軟件系統(tǒng)軟件的整個體系結(jié)構(gòu)，并簡要介紹了計算機操作系統(tǒng)的整個過程。隨后，將程序模塊簡要地分為三類：優(yōu)化算法實現(xiàn)控制模塊，優(yōu)化算法強烈推薦的控制模塊和數(shù)據(jù)可視化控制模塊。本章從全局的角度詳細介紹了CDREC系統(tǒng)軟件，并為后續(xù)的詳細說明奠定了基礎(chǔ)。

二、算法執(zhí)行模塊

優(yōu)化算法實現(xiàn)控制模塊是系統(tǒng)軟件的基本控制模塊。系統(tǒng)軟件的所有功能均由控制模塊根據(jù)優(yōu)化算法來實現(xiàn)。控制模塊總共包括12種類型的單元優(yōu)化算法，該優(yōu)化算法意味著生成優(yōu)化算法庫的時間略短。為了在優(yōu)化算法實現(xiàn)控制模塊的完成中更好地滿足更多客戶的需求，在這項工作中對編碼進行了統(tǒng)一，以獲取小區(qū)發(fā)現(xiàn)優(yōu)化算法工具箱CoDET。本章的第一部分選擇了將要詳細解釋的兩種新的優(yōu)化算法，并在單元優(yōu)化算法的一般結(jié)構(gòu)中說明了該優(yōu)化算法的分解和對應(yīng)關(guān)系。本章的第二部分詳細介紹了在C程序流擴展中完成啟用Python的套接字的全過程以及該套接字的應(yīng)用說明。本章的第三部分詳細介紹了在C程序流擴展中完成WebService打開套接字的整個過程。最后一部分總結(jié)了本章的內(nèi)容。由于數(shù)據(jù)創(chuàng)建控制模塊和數(shù)據(jù)加載控制模塊的功能相對簡單，本章中包括的優(yōu)化算法實現(xiàn)控制模塊暫時不包括兩個控制模塊，而是從實現(xiàn)的角度進行單獨描述控制模塊。

2.1基于通用框架的社區(qū)發(fā)現(xiàn)算法分析

CDREC的優(yōu)化算法實現(xiàn)控制模塊實際上顯示了詳細的優(yōu)化算法庫，使客戶可以自由選擇和配備12種單元優(yōu)化算法的主要參數(shù)。根據(jù)單元優(yōu)化算法的一般結(jié)構(gòu)，將這12種優(yōu)化算法標準化，模塊化并分解為不同的較小控制模塊。特殊的優(yōu)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，我們將從通用架構(gòu)的角度分析兩種當代優(yōu)化算法，即Attractor和DNR。

2.1.1 Attractor 算法剖析

Attractor算法已在2015年最佳國際大數(shù)據(jù)挖掘會議SIGKDD（SpecialInterestGrouponKnowledgeDiscovery and DataMining）中明確提出。優(yōu)化算法通過查找連接點之間“間距”的過渡來找到單元的結(jié)構(gòu)。所有優(yōu)化算法的核心內(nèi)容是將Internet視為響應(yīng)性動態(tài)系統(tǒng)軟件，其中每個連接點都與相鄰的連接點進行交互，并且這種交互將改變連接點的即時間隔。這種相互影響最終導致距離的平滑傳播和區(qū)域的分裂。這部分的具體內(nèi)容是應(yīng)用單元優(yōu)化算法的一般體系結(jié)構(gòu)來分析初始的Attractor算法，然后為優(yōu)化算法庫的后續(xù)完成打下堅實的基礎(chǔ)。為了發(fā)現(xiàn)小區(qū)優(yōu)化算法的一般架構(gòu)，必須首先找到優(yōu)化算法的兩個重要因素：最近的鄰居相似度和討論結(jié)構(gòu)。因此，對于Attractor算法，很明顯，鄰域相似度是“距離”。

2.1.2 DNR算法剖析

DNR優(yōu)化算法是新的社區(qū)發(fā)現(xiàn)優(yōu)化算法之一。它于2016年在國際人工智能技術(shù)合作會議（IJCAI）上發(fā)布。這是人工智能技術(shù)行業(yè)中的首屈一指的會議。尋找連接點矩陣特征值的優(yōu)化算法表明，對空間矢量進行聚類算法以達到社區(qū)搜索的目的。就像在人工智能技術(shù)交流會議上發(fā)表的畢業(yè)論文一樣，本文中明確提出的DNG優(yōu)化算法也使用了全新的深度神經(jīng)元網(wǎng)絡(luò)技術(shù)。本文的核心內(nèi)容是使用自動編碼器來重構(gòu)空間矢量的離散系統(tǒng)（即連接點），并將空間矢量之間的間距應(yīng)用于聚類算法的連接點。與上一節(jié)一樣，本節(jié)的具體內(nèi)容是通過應(yīng)用單元優(yōu)化算法的通用體系結(jié)構(gòu)為DNR優(yōu)化算法進行分析，為其執(zhí)行奠定基礎(chǔ)。

首先，每個人都在尋找優(yōu)化算法：隔壁鄰居的相似性以及討論結(jié)構(gòu)的重要元素。更具體地，在DNR優(yōu)化算法中，應(yīng)用了應(yīng)變率測量指標值Q，但是緊密相似的是歐幾里德距離，而不是Q值。這是因為在聚類算法的迭代更新期間，通過此方法可以準確地測量空間矢量的間距。在迭代更新的整個過程中，連接點集從頭到尾都是合理的，因此更加唯一。對于DNR優(yōu)化算法，連接點集是優(yōu)化算法的研究結(jié)構(gòu)。

根據(jù)兩個重要因素，對優(yōu)化算法進行以下分析：當將因素轉(zhuǎn)換為鏈接時，預估算過程首先測量模塊化排水矩陣。

2.2 Python接口實現(xiàn)與介紹

單個C套接字或簡單的可執(zhí)行程序無法滿足您的要求。為了更好地提高優(yōu)化算法庫的實用性并滿足不同客戶的需求，并充分考慮Python語言表達在當今測試和制造場景中的一般應(yīng)用，本文基本上在初始階段完成了Python激活。。

2.2.1 Python 接口實現(xiàn)

為了更好地擴展用C編寫的新項目中啟用Python的套接字的完成，本文選擇使用boost庫來執(zhí)行該程序包。首先，將程序編譯到社區(qū)搜索中的新項目的外部鏈接后，添加boost靜態(tài)數(shù)據(jù)庫。隨后，社區(qū)在新項目中搜索設(shè)計方案的接口函數(shù)的輸出以進行編碼，將整個目標文件的后綴設(shè)置為.dll，然后通過發(fā)布將其轉(zhuǎn)換為新項目。設(shè)置新項目后，我了解了dll文件。只需要將文件更改為與python控制模塊的32bit / 64bit版本號相對應(yīng)的.pyd文件格式。對于這種套接字控制模塊，必須將它們復制到Python安裝文件下的庫文件目錄中，以便可以正常導入它們。

2.2.2 Python包接口說明

為了更好地滿足不同的需求并使客戶更輕松地啟用每種優(yōu)化算法，本節(jié)詳細介紹了經(jīng)過了獨特設(shè)計方案及其相關(guān)主要參數(shù)和功能的頁面。

2.3 Web Service實現(xiàn)與介紹

對于如何更好地利用電子計算機資源的問題，WebService無疑具有更詳細的答案。因此，XML（可擴展編譯語言）用于存儲數(shù)據(jù)信息并顯示數(shù)據(jù)庫的數(shù)據(jù)類型，SOAP（簡單目標瀏覽協(xié)議）用于傳輸數(shù)據(jù)，而WSDL（Web服務(wù)描述語言）用于描述數(shù)據(jù)庫。獲得的網(wǎng)站。服務(wù)項目來描述。通用描述，發(fā)現(xiàn)和集成服務(wù)項目（UDDI）用于申請注冊和發(fā)現(xiàn)WebServices。除了擴展Python套接字外，由于WebService提供的各種便利，WebService套接字還擴展到了初始社區(qū)搜索程序流。

2.3.1 Web Service 接 口實現(xiàn)

在最初的C編譯器新項目new項目中，您必須使用ApacheAxis和ApacheTomcat來完成基于WebService套接字的擴展。因為必須啟用服務(wù)器空間并且必須使用數(shù)據(jù)上載功能，所以我是第一個使用Java來完成文檔上載邏輯的人。激活單元優(yōu)化算法的邏輯和主要參數(shù)與Python套接字的邏輯和主要參數(shù)配對，但是必須根據(jù)Java語言表達式來完成新的完成。隨后，使用ApacheAxis2將新項目的兩個部分轉(zhuǎn)換為aar文檔，然后使用ApacheTomcat將它們作為WebServices發(fā)布。在實際操作之后，您可以將WSDL文檔部署到一個特殊的詳細地址?？蛻艨梢允褂肁pacheaxis2轉(zhuǎn)換為底層代碼，并根據(jù)已發(fā)布的WebService詳細地址在其Java程序流中啟用單元優(yōu)化算法。

2.3.2 Web Service 使用介紹

客戶可以根據(jù)本文中發(fā)布的wsdl文件的詳細地址輕松地創(chuàng)建一個啟用WebService的Java程序流程，該地址將轉(zhuǎn)換為以下流程：首先，在eclipse中創(chuàng)建一個新的Java項目。然后選擇Axis2CodeGenerator，然后在WSDLfilelocation字段名稱中鍵入Web服務(wù)的詳細地址，然后可以自動生成與WebService的類和功能相對應(yīng)的代碼。為了更好地應(yīng)用WebService，客戶必須創(chuàng)建一個新的Java類，該類將啟用WebService，實例化函數(shù)調(diào)用，調(diào)度值并最終啟用WebService。

參考文獻

[1]胡章榮.社區(qū)發(fā)現(xiàn)算法在個性化推薦系統(tǒng)中的應(yīng)用研究[J].福建電腦，2020，36（09）：61-62.

[2]賈俊杰，劉鵬濤，陳旺虎.融合社交信息的矩陣分解改進推薦算法[J/OL].計算機工程：1-10[2021-01-06]

[3]唐新宇，張新政，劉保利.基于神經(jīng)網(wǎng)絡(luò)和社區(qū)發(fā)現(xiàn)的高維數(shù)據(jù)推薦系統(tǒng)[J].計算機應(yīng)用與軟件，2020，37（07）：232-239.

[4]劉蕾蕾，王勝濤，胡正銀.社區(qū)畫像研究綜述[J].圖書情報工作，2019，63（23）：122-130.

[5]熊麗榮，沈樹茂，范菁.融合社區(qū)結(jié)構(gòu)和社交影響力的矩陣分解推薦[J].小型微型計算機系統(tǒng)，2019，40（11）：2411-2417.

[6]焦夢蕾，趙濤，徐勇.個性化推薦系統(tǒng)的改進算法述評[J].價值工程，2019，38（22）：244-246.

[7]史艷翠，王嫄，趙青，張賢坤.基于局部擴展的社區(qū)發(fā)現(xiàn)研究現(xiàn)狀[J].通信學報，2019，40（01）：149-162.

[8]夏瑋，楊鶴標.改進的Louvain算法及其在推薦領(lǐng)域的研究[J].信息技術(shù)，2017（11）：125-128.

[9]李超逸，張仰森，佟玲玲.一種基于社區(qū)發(fā)現(xiàn)的微博個性化推薦算法[J].微電子學與計算機，2017，34（06）：40-44.

[10]徐正巧，高江錦，趙德偉.動態(tài)社區(qū)發(fā)現(xiàn)在個性化推薦系統(tǒng)中的應(yīng)用[J].電腦知識與技術(shù)，2017，13（15）：29-30.

[11]方倩，竇永香，王幫金.基于Web of Science的社會化媒體環(huán)境下社區(qū)發(fā)現(xiàn)研究綜述[J].中文信息學報，2017，31（03）：1-8.

[12]曾斯炎，周錦，黃國華.基于詞頻-逆文本頻率和社區(qū)劃分的圖書推薦算法[J].邵陽學院學報（自然科學版），2017，14（02）：19-22+37.

董淳 1986.6.22 ?男 ?漢 ?河北邢臺 ?在讀研究生，單位：山西財經(jīng)大學 ?研究方向：信息與知識管理