基于半监督网络表示学习的电商网络社区发现方法及系统

1.本发明涉及电商网络数据挖掘领域，特别涉及一种基于半监督网络表示学习的电商网络社区发现方法及系统。


背景技术：

2.当今社会，随着互联网的快速发展，出现了许多大型电商网络平台，如：淘宝、京东和拼多多等。这些平台深受人们的喜爱，因为它们的出现使人们可以随时随地的购买所需物品，给人们的生活带来了极大便利。然而，人们在电商网络平台上购物时，时常会遇到这样一些情况，如：不能及时找到自己心仪的物品、不能发现一些自己感兴趣的活动或是不能与自己兴趣相同人相互推荐商品、交流购买心得、体验等。针对这些情况，研究者通过对电商网络中用户与用户间、用户与商品间、用户与商铺间等关系展开了研究。发现具有相同或相似兴趣的用户，往往它们的商品浏览记录、购买记录、商品收藏单、关注的店铺以及参加的活动等信息较为相似，可以将它们聚集在一起形成社区。对于同一社区的用户，平台可以根据整个社区的兴趣喜好，给它们推荐相关的商品、商铺以及活动，且这些用户间可以进行兴趣交流，商品分享等。对电商网络中的社区进行研究，有助于平台商品的精确推送，提高平台的购买率，同时用户的购买满意度也会提升。为此本发明提出了一种基于半监督网络表示学习的电商网络社区发现方法及系统，通过对电商网络中用户的特征信息、部分标签信息以及空间结构信息进行学习，得到最优的用户低维表示，然后通过k-means算法将兴趣相同的用户划分到同一个社区，从而更好的进行商品推荐、店铺推荐、好友或群聊推荐、用户兴趣分析以及兴趣社区分析等相关任务。


技术实现要素：

3.本发明要解决的技术问题是：设计一种基于半监督网络表示学习的电商网络社区发现方法及系统，能够对电商网络中的用户进行有效可靠的划分。
4.为了达到上述目的，本发明采用了下列技术方案：
5.本发明提供了一种基于半监督网络表示学习的电商网络社区发现方法，该方法包含三个主要环节，步骤s10为电商网络的邻接矩阵、特征矩阵以及部分用户标签矩阵的构建环节，步骤s20～s30为半监督网络表示学习的电商网络社区发现模型的构建及优化环节，步骤s40为半监督网络表示学习的电商网络社区发现模型的结果输出环节。
6.s10、获取电商网络用户数据集，依据用户之间的好友关系构建电商网络结构，将用户的购买数据、浏览数据、店铺关注数据、参加活动的数据以及商品收藏数据作为用户节点特征，将已标记类型的用户作为标签数据，基于电商网络结构、用户节点特征以及部分标签数据构建邻接矩阵、特征矩阵和标签矩阵；
7.s20、基于步骤s10建立的邻接矩阵、特征矩阵和标签矩阵，使用两个独立的gcn编码器构建半监督网络表示学习的电商网络社区发现模型；
8.s30、对于步骤s20构建的半监督网络表示学习的电商网络社区发现模型，设计一
个联合优化目标函数，通过最小化目标函数进行模型训练，确定模型参数；
9.s40、利用步骤s20构建的半监督网络表示学习的电商网络社区发现模型，以及步骤s30确定的模型参数，实现对电商网络的社区发现与检测，并将社区发现结果进行输出。
10.进一步，该方法所述步骤s10包含以下具体步骤：
11.s11、从电商网络平台中获取并加载电商网络用户数据集，依据用户之间的好友关系构建电商网络结构，将用户的购买数据、浏览数据、店铺关注数据以及商品收藏数据作为用户节点特征，将已标记类型的用户作为标签数据；将电商网络记为g＝(v,e,x)，v＝{v1,v2,
…
,vn}表示电商网络中n个用户节点的集合，其中第n个用户(1 n n)记为用户节点vn；表示电商网络中l个已标记类型的用户节点构成的集合，其中第l个用户(1 l l)记为已标记类型的用户节点e＝{e1,e2,
…
,em}表示用户节点之间存在的m条边，其中第m条边(1 m m)记为em；x是一个n
×
r维的用户节点特征矩阵，其第n(1 n n)行xn＝[x
n1
,x
n2
,
…ꢀ
x
nr
]表示电商网络中用户节点vn的r个特征，其中元素x
nr
表示用户节点vn的第r个特征；a表示一个n
×
n的邻接矩阵，与集合e包含的m条边相对应，矩阵中第i行第j列(1 i n,1 j n)元素即a
ij
表示第i个用户节点vi和第j个用户节点vj的邻接关系，若用户节点vi和用户节点vj之间有连边则a
ij
＝1，否则a
ij
＝0；将电商网络中存在的用户节点类别标记情况通过是l
×
k维的标签矩阵y进行记录，其中，l表示具有类别标签的用户节点数量，k表示标签类别数，矩阵中第i行第j列(1 i l,1 j k)元素即y
ij
表示第i个已标记类型的用户节点与第j个类标签之间的关系，若已标记类型的用户节点属于该类别则y
ij
＝1，否则y
ij
＝0。
[0012]
进一步，所述步骤s20中的半监督网络表示学习的电商网络社区发现模型包含半监督通道、自监督通道以及冗余消除模块三个部分，其中：半监督通道包含一个gcn编码器，利用已标记类型的用户信息作为指导，学习兴趣相同的用户间的共性特征，以及兴趣不同的用户间的差异特征；自监督通道也同样包含一个gcn编码器，通过构造虚假的用户特征信息，将其与用户真实的特征信息形成对比，使用户低维表示在真实—虚假特征信息的对比机制下更好的捕捉和保持电商网络的结构与特性；冗余消除模块用于将上述两个通道中存在的重合信息进行去除，加强用户低维表示学习过程中指导监督作用的有效性，从而使电商网络社区发现模型获得稳定的性能，其整体结构如附图1所示，模型的具体操作步骤为：
[0013]
s21、在半监督通道中，将电商网络g＝(v,e,x)输入到gcn编码器中进行编码，得到电商网络中用户节点的表示向量，其编码过程的形式化表示如式(1)所示：
[0014][0015]
其中，d为用户节点的度矩阵，用户节点vi的度表示为该用户节点相关联的边的数量；w0和w1是可学习的参数矩阵；h＝{h1,h2…
,hn}是电商网络中用户节点的表示向量的集合，hi表示用户节点vi经过编码得到的用户低维表示；这里的输入由两部分组成：电商网络用户节点特征矩阵x和电商网络邻接矩阵a；编码器中激活函数relu(
·
)由式(2)定义：
[0016]
[0017]
构建半监督通道损失时，本发明使用一种基于softmax和交叉熵损失函数的神经网络分类器作为互信息估计器，用于评估用户节点特征x和部分用户节点标签y之间的相关性，从而使用户低维表示h＝{h1,h2…
,hn}可以学习到更多与用户节点标签y的相关信息；半监督通道优化目标如式(3)所示：
[0018][0019]
其中，x
l
表示第l个具备标签的用户节点的特征，y
l
表示第l个具备标签的用户节点的标签值，y
′
表示用户标签类别，p(y
′
)为用户标签的先验分布概率，f(x
l
)表示通过gcn编码器得到的第l个具备标签的用户节点的低维表示；
[0020]
s22、在自监督通道中，同样将电商网络用户节点特征矩阵x和电商网络邻接矩阵a作为输入，通过gcn编码器，得到用户低维表示表示用户节点vi经过编码得到的用户低维表示；构建自监督通道损失时，我们使用jensen-shannon估计器衡量用户低维表示与用户节点vn及其相邻用户节点间的相关性，从用户的节点特征x和邻接矩阵a两个方面进行衡量，该通道总的优化目标如式(4)所示：
[0021][0022]
其中，gi表示由用户节点vi及其相邻用户节点构成的子图，表示用户节点特征重构一致性，i(a
ij
；w
ij
)表示用户结构重构一致性，为电商网络中用户低维表示和的相关性，a
ij
表示用户节点vi和vj之间边的权重大小；
[0023]
用户节点特征重构一致性由式(5)计算：
[0024][0025]
其中，xj表示用户节点vn以及相邻的用户节点的特征信息，x
′j是生成的虚假的用户节点特征，主要通过将用户节点的邻接矩阵a进行打乱，特征矩阵x不变，生成对应虚假的用户节点特征信息；为鉴别器，用于对真实用户节点特征与生成的虚假的用户节点特征进行鉴别，如式(6)所示：
[0026][0027]
其中，θ1中是一个可训练的得分矩阵，中t表示转置操作，σ为sigmoid函数，如式(7)所示：
[0028][0029]
对于电商网络用户结构重构一致性由(8)计算：
[0030]
i(a
ij
；w
ij
)＝a
ij
logw
ij
+(1-a
ij
)log(1-w
ij
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0031]
s23、利用冗余消除模块识别和度量冗余信息，在半监督通道和自监督通道中分别
获得的用户低维表示为h
l
和利用二者之间的相关性进行信息冗余的度量，如式(9)所示，
[0032][0033]
其中，是针对生成的虚假数据，为鉴别器，h
lt
中t为转置操作，如式(10)所示：
[0034][0035]
进一步，该方法所述步骤s30包含以下具体步骤：
[0036]
s31、将s20所述的半监督通道、自监督通道以及冗余消除模块三个部分联合训练，为半监督网络表示学习的电商网络社区发现模型定义总的优化目标函数如式(11)所示：
[0037][0038]
其中，是半监督通道损失，是自监督通道损失，ir是冗余信息，θ是超参数，用来衡量自监督通道的重要性；
[0039]
s32、对步骤s20中的半监督网络表示学习的电商网络社区发现模型进行参数初始化，给定调节系数θ和迭代次数t，迭代执行步骤s33～s35，直到达到迭代次数，完成对半监督网络表示学习的电商网络社区发现模型的训练，获得模型的最优参数；
[0040]
s33、将s11获取的电商网络用户邻接矩阵a和特征矩阵x作为输入，分别输入到半监督通道和自监督通道中，经过式(1)gcn编码器获取半监督电商网络表示h＝{h1,h2…
,hn}和自监督电商网络表示
[0041]
s34、按式(3)、式(4)和式(9)分别得到半监督通道目标损失自监督通道目标损失以及冗余信息ir；
[0042]
s35、将s34得到的损失输入到式(11)中，得到半监督网络表示学习的电商网络社区发现模型的总损失，进行反向传播，循环更新半监督通道神经网络参数w0和w1以及自监督通道神经网络参数和得分矩阵θ1、θ2。
[0043]
进一步，该方法所述步骤s40包括以下具体步骤：
[0044]
s41、通过s33～s35获得模型的最优参数，输入新的电商网络用户数据，通过式(12)得到每个用户节点的社区标签；
[0045][0046]
其中，c(i)表示第i个用户节点的社区标签，z(i)表示第i个用户节点的表示，z(i)由式(13)计算得到，
[0047][0048]
μ
(j)
表示第j个聚类的质心点，μ
(j)
由式(14)计算得到，
[0049]
[0050]
s42、将电商网络社区发现结果输出至电商平台运营人员或相关领域科研人员，用于商品推荐、店铺推荐、好友或群聊推荐、用户兴趣分析以及兴趣社区分析类相关任务。
[0051]
本发明还提供一种半监督网络表示学习的电商网络社区发现系统，用于实现上述的基于半监督网络表示学习的电商网络社区发现方法，包括计算机处理器和内存，电商网络邻接矩阵、特征矩阵以及标签矩阵单元，基于半监督网络表示学习的电商网络社区发现模型训练单元，基于半监督网络表示学习的电商网络社区发现模型结果输出单元；所述电商网络邻接矩阵、特征矩阵以及标签矩阵单元执行步骤s10，对于获取到的用户数据集，依据用户之间的好友关系构建电商网络结构，将用户的购买数据、浏览数据、店铺关注数据、参加活动的数据以及商品收藏数据作为用户节点特征，将已标记类型的用户作为标签数据，由此建立邻接矩阵、特征矩阵和标签矩阵，并加载到计算机内存中；基于半监督网络表示学习的电商网络社区发现模型训练单元根据步骤s10中构建的邻接矩阵、特征矩阵以及标签矩阵执行步骤s20～s30，构建半监督网络表示学习的电商网络社区发现模型，并基于定义的目标函数对模型进行训练；基于半监督网络表示学习的电商网络社区发现模型结果输出单元执行步骤s40，将电商网络中兴趣相似的用户划分到同一社区中，将电商网络社区发现结果输出至电商平台运营人员或相关领域科研人员，用于商品推荐、店铺推荐、好友或群聊推荐、用户兴趣分析以及兴趣社区分析类相关任务；所有单元中具体的数据处理和计算工作由所述计算机处理器完成，且所有单元都与所述计算机内存数据交互。
[0052]
与现有技术相比本发明具有以下优点：
[0053]
1、本发明的一种基于半监督网络表示学习的电商网络社区发现方法，通过构造自监督信息，来提高用户表示学习过程中的指导监督作用，使同类用户节点间的相似性和不同类用户节点间的差异性增强，有利于为电商网络社区发现提供更为丰富的判别性信息。
[0054]
2、本发明的一种基于半监督网络表示学习的电商网络社区发现方法，通过构建了一个双通道网络表示学习模型，对从电商网络用户数据中构造的自监督信息和已有的部分用户标签信息进行有效融合，可提高对用户特征的提取能力，增强用户表示的内聚性，使电商网络社区发现结果更有效。
附图说明
[0055]
图1为本发明所述步骤s20中的基于半监督网络表示学习的电商网络社区发现模型结构图；
[0056]
图2为本发明所述一种基于半监督网络表示学习的电商网络社区发现系统的系统结构图；
[0057]
图3为本发明所述一种基于半监督网络表示学习的电商网络社区发现方法的流程图。
具体实施方式
[0058]
为了进一步阐述本发明的技术方案，下面结合附图及实施例对本发明进行进一步说明。
[0059]
本发明所述的一种基于半监督网络表示学习的电商网络社区发现方法通过计算机程序实施，下面将按照图3所示流程详述本发明提出的技术方案的具体实施方式。从京东
购物平台获取用户的购物数据集，所述数据集包含了2708个京东用户，其中，270个京东用户有类别标记，京东用户间有5429条好友关系，并依据京东用户的购买数据、浏览数据、店铺关注数据、参加活动的数据以及商品收藏数据获得1433维的特征。通过本发明的技术方案，使用从京东网页中抓取的用户数据集进行处理，实现电商网络的社区发现。
[0060]
实施方式主要包含以下关键内容：
[0061]
s10、获取电商网络用户数据集，依据用户之间的好友关系构建电商网络结构，将用户的购买数据、浏览数据、店铺关注数据、参加活动的数据以及商品收藏数据作为用户节点特征，将已标记类型的用户作为标签数据，基于电商网络结构、用户节点特征以及部分标签数据构建邻接矩阵、特征矩阵和标签矩阵，包含具体步骤如下：
[0062]
s11、从京东网络平台中获取并加载京东网络用户数据集，依据用户之间的好友关系构建电商网络结构，将用户的购买数据、浏览数据、店铺关注数据以及商品收藏数据等作为用户节点特征，将已标记类型的用户作为标签数据；将电商网络记为g＝(v,e,x)，v＝{v1,v2,
…
,vn}表示电商网络中n＝2708个用户节点的集合，其中第n个用户(1 n n)记为用户节点vn；表示电商网络中l＝270个已标记类型的用户节点构成的集合，其中第l个用户(1 l l)记为已标记类型的用户节点e＝{e1,e2,
…
,em}表示用户节点之间存在的m＝5429条边，其中第m条边(1 m m)记为em；x是一个n
×
r维的用户节点特征矩阵，其第n(1 n n)行xn＝[x
n1
,x
n2
,
…ꢀ
x
nr
]表示电商网络中用户节点vn的r＝1433个特征，其中元素x
nr
表示用户节点vn的第r个特征；a表示一个n
×
n的邻接矩阵，与集合e包含的m条边相对应，矩阵中第i行第j列(1 i n,1 j n)元素即a
ij
表示第i个用户节点vi和第j个用户节点vj的邻接关系，若用户节点vi和用户节点vj之间有连边则a
ij
＝1，否则a
ij
＝0；将电商网络中存在的用户节点类别标记情况通过是l
×
k维的标签矩阵y进行记录，其中，l表示具有类别标签的用户节点数量，k＝7表示标签类别数，矩阵中第i行第j列(1 i l,1 j k)元素即y
ij
表示第i个已标记类型的用户节点与第j个类标签之间的关系，若已标记类型的用户节点属于该类别则y
ij
＝1，否则y
ij
＝0。
[0063]
s20、基于步骤s10建立的邻接矩阵、特征矩阵和标签矩阵，构建半监督网络表示学习的电商网络社区发现模型，包含半监督通道、自监督通道以及冗余消除模块三个部分，其中：半监督通道包含一个gcn编码器，利用已标记类型的用户信息作为指导，学习兴趣相同的用户间的共性特征，以及兴趣不同的用户间的差异特征；自监督通道也同样包含一个gcn编码器，通过构造虚假的用户特征信息，将其与用户真实的特征信息形成对比，使用户低维表示在真实—虚假特征信息的对比机制下更好的捕捉和保持电商网络的结构与特性；冗余消除模块用于将上述两个通道中存在的重合信息进行去除，加强用户低维表示学习过程中指导监督作用的有效性，从而使电商网络社区发现模型获得稳定的性能，其整体结构如附图1所示，模型的具体操作步骤为：
[0064]
s21、在半监督通道中，将电商网络g＝(v,e,x)输入到gcn编码器中进行编码，得到电商网络中用户节点的表示向量，其编码过程的形式化表示如式(1)所示：
[0065][0066]
其中，d为用户节点的度矩阵，用户节点vi的度表示为该用户节点相
关联的边的数量；w0和w1是可学习的参数矩阵；h＝{h1,h2…
,hn}是电商网络中用户节点的表示向量的集合，hi表示用户节点vi经过编码得到的用户低维表示；这里的输入由两部分组成：电商网络用户节点特征矩阵x和电商网络邻接矩阵a；编码器中激活函数relu(
·
)由式(2)定义：
[0067][0068]
构建半监督通道损失时，本发明使用一种基于softmax和交叉熵损失函数的神经网络分类器作为互信息估计器，用于评估用户节点特征x和部分用户节点标签y之间的相关性，从而使用户低维表示h＝{h1,h2…
,hn}可以学习到更多与用户节点标签y的相关信息；半监督通道优化目标如式(3)所示：
[0069][0070]
其中，x
l
表示第l个具备标签的用户节点的特征，y
l
表示第l个具备标签的用户节点的标签值，y
′
表示用户标签类别，p(y
′
)为用户标签的先验分布概率，f(x
l
)表示通过gcn编码器得到的第l个具备标签的用户节点的低维表示；
[0071]
s22、在自监督通道中，同样将电商网络用户节点特征矩阵x和电商网络邻接矩阵a作为输入，通过gcn编码器，得到用户低维表示表示用户节点vi经过编码得到的用户低维表示；构建自监督通道损失时，我们使用jensen-shannon估计器衡量用户低维表示与用户节点vn及其相邻用户节点间的相关性，从用户的节点特征x和邻接矩阵a两个方面进行衡量，该通道总的优化目标如式(4)所示：
[0072][0073]
其中，gi表示由用户节点vi及其相邻用户节点构成的子图，表示用户节点特征重构一致性，i(a
ij
；w
ij
)表示用户结构重构一致性，为电商网络中用户低维表示和的相关性，a
ij
表示用户节点vi和vj之间边的权重大小；
[0074]
用户节点特征重构一致性由式(5)计算：
[0075][0076]
其中，xj表示用户节点vn以及相邻的用户节点的特征信息，x
′j是生成的虚假的用户节点特征，主要通过将用户节点的邻接矩阵a进行打乱，特征矩阵x不变，生成对应虚假的用户节点特征信息；为鉴别器，用于对真实用户节点特征与生成的虚假的用户节点特征进行鉴别，如式(6)所示：
[0077][0078]
其中，θ1中是一个可训练的得分矩阵，中t表示转置操作，σ为sigmoid函数，如
式(7)所示：
[0079][0080]
对于电商网络用户结构重构一致性由(8)计算：
[0081]
i(a
ij
；w
ij
)＝a
ij
logw
ij
+(1-a
ij
)log(1-w
ij
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0082]
s23、利用冗余消除模块识别和度量冗余信息，在半监督通道和自监督通道中分别获得的用户低维表示为h
l
和利用二者之间的相关性进行信息冗余的度量，如式(9)所示，
[0083][0084]
其中，是针对生成的虚假数据，为鉴别器，h
lt
中t为转置操作，如式(10)所示：
[0085][0086]
s30、对于步骤s20构建的半监督网络表示学习的电商网络社区发现模型，设计一个联合优化目标函数，通过最小化目标函数进行模型训练，确定模型参数，包含以下具体步骤：
[0087]
s31、将s20所述的半监督通道、自监督通道以及冗余消除模块三个部分联合训练，为半监督网络表示学习的电商网络社区发现模型定义总的优化目标函数如式(11)所示：
[0088][0089]
其中，是半监督通道损失，是自监督通道损失，ir是冗余信息，θ是超参数，用来衡量自监督通道的重要性；
[0090]
s32、对步骤s20中的半监督网络表示学习的电商网络社区发现模型进行参数初始化，给定调节系数θ和迭代次数t，迭代执行步骤s33～s35，直到达到迭代次数，完成对半监督网络表示学习的电商网络社区发现模型的训练，获得模型的最优参数；
[0091]
s33、将s11获取的电商网络用户邻接矩阵a和特征矩阵x作为输入，分别输入到半监督通道和自监督通道中，经过式(1)gcn编码器获取半监督电商网络表示h＝{h1,h2…
,hn}和自监督电商网络表示
[0092]
s34、按式(3)、式(4)和式(9)分别得到半监督通道目标损失自监督通道目标损失以及冗余信息ir；
[0093]
s35、将s34得到的损失输入到式(11)中，得到半监督网络表示学习的电商网络社区发现模型的总损失，进行反向传播，循环更新半监督通道神经网络参数w0和w1以及自监督通道神经网络参数和得分矩阵θ1、θ2。
[0094]
s40、利用步骤s20构建的半监督网络表示学习的电商网络社区发现模型，以及步骤s30确定的模型参数，实现对电商网络的社区发现与检测，并将社区发现结果进行输出，包括以下具体步骤：
[0095]
s41、通过s33～s35获得模型的最优参数，输入新的电商网络用户数据，通过式(12)得到每个用户节点的社区标签；
[0096][0097]
其中，c(i)表示第i个用户节点的社区标签，z(i)表示第i个用户节点的表示，z(i)由式(13)计算得到，
[0098][0099]
μ
(j)
表示第j个聚类的质心点，μ
(j)
由式(14)计算得到，
[0100][0101]
s42、将电商网络社区发现结果输出至电商平台运营人员或相关领域科研人员，用于商品推荐、店铺推荐、好友或群聊推荐、用户兴趣分析以及兴趣社区分析类相关任务。
[0102]
技术效果评价：
[0103]
为验证本发明提出技术方案的有效性和先进性，将本发明与几种经典的方法进行比较，对比方法包括基于预测的方法(planetoid)、基于图神经网络的方法(gcn、gwnn)、基于自监督学习方法(gmi)，以20次实验的平均准确率、nmi和ari为评价指标，将上述匹配结果进行对比分析，比较结果如表1所示：
[0104]
表1结果对比分析
[0105][0106]
由表中结果可以看出，本发明技术方案在对电商网络进行社区发现时，能获得更优的准确率、nmi以及ari值。
[0107]
如图2所示，一种基于半监督网络表示学习的电商网络社区发现系统，包括计算机处理器和内存，电商网络邻接矩阵、特征矩阵以及标签矩阵单元，基于半监督网络表示学习的电商网络社区发现模型训练单元，基于半监督网络表示学习的电商网络社区发现模型结果输出单元；所述电商网络邻接矩阵、特征矩阵以及标签矩阵单元执行步骤s10，对于获取到的用户数据集，依据用户之间的好友关系构建电商网络结构，将用户的购买数据、浏览数据、店铺关注数据、参加活动的数据以及商品收藏数据作为用户节点特征，将已标记类型的用户作为标签数据，由此建立邻接矩阵、特征矩阵和标签矩阵，并加载到计算机内存中；基于半监督网络表示学习的电商网络社区发现模型训练单元根据步骤s10中构建的邻接矩阵、特征矩阵以及标签矩阵执行步骤s20～s30，构建半监督网络表示学习的电商网络社区发现模型，并基于定义的目标函数对模型进行训练；基于半监督网络表示学习的电商网络社区发现模型结果输出单元执行步骤s40，将电商网络中兴趣相似的用户划分到同一社区中，将电商网络社区发现结果输出至电商平台运营人员或相关领域科研人员，用于商品推荐、店铺推荐、好友或群聊推荐、用户兴趣分析以及兴趣社区分析类相关任务；所有单元中
具体的数据处理和计算工作由所述计算机处理器完成，且所有单元都与所述计算机内存数据交互。