8篇关于社区划分的计算机毕业论文

今天分享的是关于社区划分的8篇计算机毕业论文范文, 如果你的论文涉及到社区划分等主题,本文能够帮助到你

基于聚类的协同过滤算法及民航附加服务推荐研究

这是一篇关于协同过滤,聚类,社区划分,出行偏好,推荐,民航附加服务的论文, 主要内容为互联网的迅速发展和广泛普及使得网民迅速增多,因此对于电商而言,为了能在激烈的竞争中处于不败之地,必须发展个性化的电子商务推荐系统。在推荐系统中,协同过滤是应用最成熟的一种方法。但是随着推荐系统中有效用户和商品的不断增加,推荐系统面临了严峻的挑战,协同过滤推荐中出现了稀疏性、冷启动、实时性等问题。针对协同过滤推荐方法中存在的这些问题,本文结合近几年来较为流行的聚类方法提出了两种推荐算法。一种是基于混合聚类的协同过滤改进算法。该算法主要针对原算法推荐准确度不高的问题提出改进策略,在相似度计算时加入近邻项目,并引入平衡因子α调节其在相似度计算中的比重。同时在该算法中还提出用户归属度的概念和表示方法,实现对高维用户-项目评分矩阵的降维。通过在标准的movielens电影评分数据集上进行实验发现改进后的算法在推荐准确度上有所提高。另一种是基于网络划分的协同过滤算法。针对传统的协同过滤算法推荐准确度不高且系统扩展能力差等问题,该算法考虑了用户的社会关系,构建用户关系网,并提出用户关系相似度。该算法将Louvian社区划分算法与协同过滤算法进行融合,在Last.fm数据集上进行实验,实验结果表明在近邻数小于27时,该算法得到的推荐准确度要明显高于传统的推荐算法。最后将两种算法应用于民航旅客附加服务中的订票服务中,分析旅客对于航空公司、机票折扣、出行时间及舱位的偏好模型,并针对其偏好进行个性化的机票推荐。

电商异构网络中的用户社区划分方法研究

这是一篇关于社区划分,异构网络,电子商务,表征学习,特征融合的论文, 主要内容为近年来,电子商务如雨后春笋般不断发展壮大,其涵盖面越发广泛,并迅速引领社会发展潮流,电子商务行业已成为国民经济发展的一支坚实力量。自2020年1月月末,新型冠状病毒肺炎疫情进入了大规模爆发期,在这一艰难时段,电子商务的线上运营优势也逐渐显现出来,电商行业所受到的复工影响程度相比其他行业较低,其更高的复工率令其他行业望尘莫及。电商网络具有网络异构性,异构网络表征学习及用户社区划分是挖掘电商网络异构信息的两个主要方面,其中,异构网络表征学习作为用户社区划分的前序研究,为后者提供准确的用户节点表征输入。开展异构网络表征学习及用户社区划分研究有助于挖掘电商异构网络中的信息资源,为多种电商应用场景提供支撑服务,如客户关系管理、个性化推荐等。推动电商平台技术进步能够提高社会人群的生活质量及社会发展速率,但现有的研究成果仍有进一步提升的空间。本文对现有研究成果进行分析,得出在两个方向上存在问题:一是关于电商异构网络中用户节点表征的算法大多从单一方面描述用户节点特征或从几个不同方面组合描述用户节点特征,没有充分利用用户节点语义信息及网络结构信息。二是当前用户社区划分算法大多因缺乏对电商网络异构性的考量,导致社区划分准确度不高。对于以上问题,本文提出一种电商异构网络中的用户社区划分方法,该方法包括如下两个部分:一、针对电商异构网络中用户节点表征不合理的弊端,本文提出一种融合语义信息和结构信息的用户节点表征算法。首先,使用矩阵分解SVD优化得到用户低阶特征向量;然后,利用图神经网络协同过滤模型的节点传递特性构造用户高阶特征向量;接下来,经过DCA融合器将用户高低阶特征向量进行特征融合,并从带有节点属性的电商异构网络中提取用户节点的边嵌入;最后,对用户节点的固有属性、用户与商品节点之间的关联属性和用户节点的边嵌入进行整体嵌入,实现用户节点的合理表征。二、针对现有用户社区划分算法准确度不高的问题,本文提出一种电商异构网络中基于多层信息融合的用户社区划分算法。首先,根据不同关系类型对电商异构网络进行分层处理,构造基于不同关系类型的用户节点嵌入;然后,经过表征融合将不同层的用户嵌入合并,获得电商异构网络中的用户融合嵌入表征;接下来,使用目标函数优化用户节点的相关参数;最后,通过改进的K-means算法形成用户聚类,得到合理的用户社区划分结果。本文基于四个电商平台数据集对所提电商异构网络中的用户社区划分方法进行对比实验。经实验验证,本文所提用户节点表征算法切实可行,相较于其他主流用户节点表征算法,可以更为全面、准确地表示用户节点特征。进一步实验可知,本文所提用户社区划分算法与主流用户社区划分算法相比,在社区划分精确度方面具有更好的表现。

面向科技成果转化的区域社区系统的设计与实现

这是一篇关于基于事件社会网络,异构社会网络,社区划分,标签传播算法的论文, 主要内容为科技成果转化是帮助高校科技成果落地的重要举措,对促进区域产业技术升级也具有重要意义。目前,参与成果转化的高校和企业存在科技成果与技术需求信息不对称的问题,地方政府和中介机构会合作推出一些科转活动,帮助意向人了解项目申报流程和区域政策信息,促进双方交流沟通,推进成果转化进程。但现阶段的活动推介方式效率低下,也无法满足日益增长的科转活动需求。因此,构建一个面向区域成果转化的线上社区可以促进多方的交流沟通,提高科转活动推介效率,具有重要的应用价值。本文设计并实现了面向科技成果转化的区域社区系统,为参与成果转化的各方用户提供一个交流沟通、组织参与科转活动的线上平台,并在平台运营初期提供用户推荐工具,旨在解决平台筛选活动用户时面对的信息过载问题。系统首先根据业务需求设计并搭建了一个专题性线上社区;其次,利用目标群体的专利合著数据和历史活动数据构建异构社会网络,采用社区划分的方法将目标群体划分出不同的社团,并构建检索器以社团为单位实现用户推荐功能。本文主要工作如下:(1)设计并构建了面向科技成果转化的异构社会网络。本文设计网络爬虫采集目标企业和高校的专利数据,提取专利合著关系信息,并结合国际专利分类表和历史活动数据,设计并构建一个包含不同节点和多种社交关系的异构社会网络,为后续数据挖掘工作奠定基础。(2)设计并实现活动用户推荐功能。本文提出了一种将节点相似性、节点重要度和社区划分结合的用户推荐方案,该方案首先采用Metapath2vec算法计算网络中不同元路径下的节点相似性再基于边类型概率融合得到最终节点相似性;引入节点相似性改进Leader Rank算法对节点重要度排序;融合节点相似性和重要度改进SLPA算法对异构社会网络进行社区划分;最后计算检索内容与目标社团的相似度,实现用户推荐功能。(3)设计并实现面向科技成果转化的区域社区系统。本文采用开源框架Node BB搭建线上社区,并使用Express框架开发Node BB插件集成在社区中丰富社区功能,包括中文搜索引擎、社区管理、邮件配置和活动用户推荐等。最后对系统进行了功能性测试和非功能性测试,保证了系统的可用性和可靠性。

面向科技成果转化的区域社区系统的设计与实现

基于结构熵的复杂网络结构识别方法及应用

这是一篇关于社区划分,结构熵,模拟退火算法,模块度,论文引用网络的论文, 主要内容为现实生活中,许多社会网络、信息网络、生物网络和技术网络等复杂的网络系统都可以用大规模的图表示。大量研究显示,这些复杂网络都可以分成许多节点组,也就是我们所说的网络划分。这种划分满足如下性质:同一个节点组内节点的联系比不同节点组之间节点的联系更为紧密。具有这种拓扑特性的网络结构称为社区结构,每一个节点组称为一个网络社区。社区结构划分在现实生活中具有重要的应用价值,比如可以用于推荐算法对同一社区内的好友进行推荐,以及铁路设计中对铁路网络分析等场景。本文先分析了社区划分算法的国内外研究现状,介绍了复杂网络的几个经典算法,包括GN算法、CNM算法和Louvain算法,指出他们的优点和不足。后续引出了结构熵的概念,介绍了基于结构熵的社区划分算法,该算法的主要思想是最小化网络的二维结构熵,该算法在处理大型复杂网络时具有很高的效率。但是该算法存在一个弊端,因为采用了贪心算法的思想,会容易陷入局部最优解的情况。为了进一步解决容易陷入局部最优解的问题,本文的第一个主要工作是提出了改进的基于结构熵的社区划分算法,采用了模拟退火的策略。设定一个小于0.5的概率p,以p概率对复杂网络进行分裂,以1-p概率对复杂网络进行合并。在分裂与合并中合并算法占主导作用,合并算法采用的是上文提到的基于结构熵的自底向上的合并策略,当合并算法达到一定次数的最优解时,算法停止。分裂算法是整个模拟退火流程中的辅助性算法,设计了一个简单而又高效的分裂算法:找到待分裂社区中与本社区内其余节点连接数目最少的点,将其作为一个边缘点,以该边缘点为起点进行广度优先搜索,选择最远的节点作为另一个边缘点,然后对整个待分裂社区中所有的节点按照距离哪一个边缘节点更近进行划分。将改进的基于结构熵的社区划分算法、原始的基于结构熵的社区划分算法和Louvain算法进行了二维结构熵、模块度和运行时间上的比对,对概率p的取值范围进行了估计。本文的第二个主要工作是利用改进的基于结构熵的社区划分算法设计了网络结构分析系统。该系统使用Python Flask+Vue的前后端分离技术进行实现,利用Celery实现异步机制,在前端界面展示分析结果。主要实现了用户登陆注册模块、任务管理模块、数据分析模块和分析展示模块。本文以来源于知网的论文引用网络作为分析对象,测试了该网络结构分析系统。分析结果清楚地展示了论文引用网络的结构,揭示了知网论文的研究热点和研究前沿,对知网论文当前研究方向、发展动态的认知和理解具有重要意义。

基于结构熵的复杂网络结构识别方法及应用

基于社区矩阵的概率矩阵分解推荐算法研究

这是一篇关于推荐算法,概率矩阵分解,社区划分,社区矩阵的论文, 主要内容为大数据时代下互联网信息量爆炸式增长,用户难以从大数据中检索到个人所需要的资源,这样的信息过载问题无法避免。推荐系统能有效解决信息过载问题,推荐算法是推荐系统的核心部分,研究推荐算法对于提高推荐系统性能、扩展推荐系统功能很有意义。概率矩阵分解算法,作为协同过滤算法之一,其优秀特性在业界有很深远的影响,但同样的,该算法会受到冷启动问题的影响。为提高算法的推荐准确性,并解决冷启动问题,论文考虑用户社交关系,从用户集群协作的角度出发,使用社区处理用户社交信息,将社区与概率矩阵分解相结合,提出基于社区矩阵的概率矩阵分解推荐算法(CPMF算法,A Probability Matrix Factorization Recommendation Algorithm based on Community Matrix)。为使用户的整体集群程度最好,论文提出基于模块度的SLPA社区划分算法,该算法将用户社交信息构成的社交网络划分,输出模块度最大的目标社区。根据用户和社区的从属关系,论文定义社区矩阵,以社区矩阵的形式描述用户社交信息。论文CPMF算法融合社区矩阵和用户评分信息构成的用户评分矩阵,经概率矩阵分解推导得到用户、项目、用户社区、社区等隐式特征向量,考虑到用户社区特征对用户特征的影响,定义社区调节参数,联合推导,得到含特征向量的CPMF算法的目标函数。为使预测评分接近实际评分,论文采用随机梯度下降法求解目标函数最小值,相关的隐式特征向量经迭代学习优化至最优解,通过用户隐式特征向量和项目隐式特征向量的乘积得到预测评分结果。为保证实验结果的一般性,论文实验选用Last.FM和Epinions这两个公开数据集,选取PMF、SoRec、TrustMF、TrustPMF等推荐算法作为比较对象,以平均绝对误差和均方根误差为评估指标来衡量算法的推荐性能。通过两数据集上的综合性实验,证明了论文CPMF算法有很好的推荐准确性,在冷启动问题上也有好的性能表现,在均方根误差上的优势表现得更加明显,这些都归功于算法使用了社区内用户的集群协作推荐优势。

基于知识图谱的科研社交网络分析与应用

这是一篇关于知识图谱,复杂网络,社区划分,节点重要性,连接预测的论文, 主要内容为在高校科研中,以专著、论文、项目等形式涌现出大量科研成果,高效的成果管理在各方各面,对于基础科学研究的发展都具有重要意义。而对于科研人员合作网络的研究在高校科研成果管理中占据了非常重要的方面,不仅可以帮助使用者了解科研人员的整体发展趋势,还可以帮助科研成果管理系统进行学术科研上的决策以及资源分配。因此,本文针对高校科研人员合作网络构建还不完善这一现象,提出了一种符合院校实际情况的科研人员合作网络构建方法,并加以应用。本文通过多模数据融合的方式,结合知识图谱和复杂网络的相关算法,以及My SQL,Redis等数据库中存储的历年数据,完成了基于知识图谱和复杂网络的科研成果系统科研人员合作关系部分的开发与实现。本文的主要工作如下所示:1.本文在现有算法的基础上,提出了一种基于高校科研人员的实际科研成果价值,并依据时间指数平滑构建成的符合高校实际情况科研人员合作网络模型的方法;2.本文在构建的科研人员合作网络的基础上,利用不同算法实现了对本院校的科研工作者的社区进行划分,并进行社区划分的结果评估;对复杂网络中科研工作者在复杂网络中的重要性进行评估;在链路预测中,本文提出了一种利用相似度矩阵与科研人员合作网络邻接矩阵相融合的方法,可以用来给用户进行推荐,或者对于过去科研人员缺失的合作关系进行补全;3.最后,为了提高整体处理流程的效率,将复杂网络以图谱的形式存储在图形数据库Neo4j中,后端代码将其打包并发布在Tars框架下,前端用vue3.0+d3,设计了具有可视化界面的系统平台,并可以显示各科研工作者的个人信息以及不同合作关系。本文结合知识图谱和复杂网络的科研成果系统科研人员合作关系部分,所设计的系统集成度较好,易于维护人员对于服务的监管,可视化程度较高,平台兼容性好,可拓展性也比较高,为后续关于合作关系的进一步研究打下了基础。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设工厂，原文地址：https://m.bishedaima.com/lunwen/47945.html