МЕТОДИ КЛАСТЕРИЗАЦІЇ ГРАФІВ СОЦІАЛЬНИХ МЕРЕЖ ДЛЯ ПОБУДОВИ РЕКОМЕНДАЦІЙНИХ СИСТЕМ
DOI:
https://doi.org/10.26906/SUNZ.2019.2.129Ключові слова:
кластеризація графів, рекомендаційні системи, соціальні мережі, модулярність, розмітка графів, алгоритми випадкового блуканняАнотація
Предметом вивчення у статті є процес кластеризації графів соціальних мереж. Метою є виявлення методів кластеризації графів соціальних мереж, які можна використати для побудови рекомендаційних систем для соціальних медіа. Завдання: провести дослідження існуючих методів кластеризації графів соціальних мереж та дослідити можливість і доцільність їх використання у рекомендаційних системах. Отримані такі результати: Проведено дослідження існуючих методів кластеризації графів соціальних мереж двох типів, для одержання кластерів, що не перетинаються, та для одержання кластерів, які можуть перетинатися. Досліджено можливість використання розглянутих методів для побудови рекомендаційних систем соціальних медіа. Досліджено можливості графової СУБД Neo4j по реалізації алгоритмів кластеризації графів. Висновки. Було проведено дослідження різних методів клаcтеризації графів соціальних мереж. Розглянуто методи засновані на оптимізації модулярності графу, на розмітці графу та на методах випадкових блукань, також розглянута окрема група методів, що розбиває граф на кластери, які можуть перетинатися. Досліджено можливість та доцільність використання методів кластеризації графів для побудови рекомендаційних систем. Досліджено можливості графової системи управління базами даних Neo4j для реалізації методів кластеризації графів. Встановлено, що Neo4j надає широкі можливості реалізації розглянутих методів. Для виділення кластерів СУБД Neo4j пропонує декілька реалізованих у її бібліотеці Graph algorithms алгоритмів, а саме Louvain, Label Propagation та Triangle Counting. Проведено тестування функцій бібліотеки Graph algorithms, що реалізують алгоритми Louvain, Label Propagation та Triangle Counting у Neo4j. Інші алгоритми кластеризації графів треба, при необхідності, реалізовувати самостійно, але СУБД Neo4j надає багато зручних інструментів для роботи з даними, які можна використати для реалізації різних алгоритмів кластеризації графів меншими зусиллями, ніж без використання Neo4j.Завантаження
Посилання
Выделение сообществ в графе взаимодействующих объектов / М.И. Коломейченко, И.В. Поляков, А.А. Чеповский, А.М. Чеповский // Фундаментальная и прикладная математика. – Т. 21. № 3. – 2016. – С. 131–139.
Никишин Е.С. Методы выделения сообществ в социальных графах [Електронний ресурс] / Е.С. Никишин. – 2016. – Режим доступу: http://www.machinelearning.ru/ wiki/images/8/8a/Nikishin_coursework_community_detection.pdf.
Форман Д. Много цифр. Анализ больших данных при помощи Excel / Джон Форман. – М.: Альпина Паблишер, 2016. – 464 с.
Пархоменко П.А., Григорьев А.А., Астраханцев Н.А. Обзор и экспериментальное сравнение методов кластеризации текстов // Труды ИСП РАН. 2017. №2. [Електронний ресурс]. Режим доступу: https://cyberleninka.ru/article/n/obzor-ieksperimentalnoe-sravnenie-metodov-klasterizatsii-tekstov
neo4j [Електронний ресурс]. Режим доступу: https://neo4j.com/.
Мелешко Є.В. Дослідження методів побудови рекомендаційних систем в мережі Інтернет / Є.В. Мелешко, Г.С. Семенов, В.Д. Хох. // Збірник наукових праць "Системи управління, навігації та зв’язку". Випуск 1(47). – Полтава: ПНТУ ім. Ю. Кондратюка. – 2018. – С. 131–136.
Recommender Systems Handbook / Editors Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B. Kantor. – 1st edition. – New York, NY, USA: Springer-Verlag New York, Inc., 2010. – 842 с.
Мелешко Є.В. Розробка рекомендаційної системи на базі субд neo4j. / Є.В. Мелешко, В.В. Босько, В.А. Резніченко // V Міжнародна науково-практична конференція "Інформаційні технології та взаємодії", 20-21 листопада 2018 року, м. Київ. – 2018. – С. 351–352.
