JAVA میں DEA کے ساتھ صفحات کی سوشل میڈیا مقبولیت کی پیمائش

• مارچ 3، 2014
• Vasilis Vryniotis
• . کوئی تبصرہ نہیں

پچھلے مضمون میں ہم نے اس کے بارے میں بات کی ہے۔ ڈیٹا لفافہ تجزیہ تکنیک اور ہم نے دیکھا ہے کہ اسے ایک موثر غیر پیرامیٹرک درجہ بندی الگورتھم کے طور پر کیسے استعمال کیا جا سکتا ہے۔ اس بلاگ پوسٹ میں ہم JAVA میں ڈیٹا انوولپمنٹ تجزیہ کا نفاذ تیار کریں گے اور ہم اسے ویب پر ویب صفحات اور مضامین کی سوشل میڈیا مقبولیت کا جائزہ لینے کے لیے استعمال کریں گے۔ کوڈ اوپن سورس ہے (GPL v3 لائسنس کے تحت) اور آپ اسے آزادانہ طور پر ڈاؤن لوڈ کر سکتے ہیں۔ Github کے.

اپ ڈیٹ: ڈیٹام باکس مشین لرننگ فریم ورک اب اوپن سورس اور مفت ہے۔ ڈاؤن لوڈ، اتارنا. جاوا میں ڈیٹا انوولپمنٹ تجزیہ کے نفاذ کو دیکھنے کے لیے پیکیج com.datumbox.framework.algorithms.dea کو دیکھیں۔

جاوا میں ڈیٹا انوولپمنٹ تجزیہ کا نفاذ

کوڈ جاوا میں لکھا گیا ہے اور اسے براہ راست یہاں سے ڈاؤن لوڈ کیا جا سکتا ہے۔ Github کے. یہ GPLv3 کے تحت لائسنس یافتہ ہے لہذا بلا جھجھک اسے استعمال کریں، اس میں ترمیم کریں اور اسے آزادانہ طور پر دوبارہ تقسیم کریں۔

کوڈ لاگو کرتا ہے۔ ڈیٹا لفافہ تجزیہ الگورتھم، استعمال کرتا ہے lp_solve لائبریری لکیری پروگرامنگ کے مسائل کو حل کرنے کے لیے اور اس سے نکالا گیا ڈیٹا استعمال کرتا ہے۔ ویب SEO تجزیات فیس بک، گوگل پلس اور ٹویٹر پر ان کے حصص کی بنیاد پر ویب پیجز کے لیے ایک جامع سوشل میڈیا مقبولیت میٹرک بنانے کے لیے انڈیکس۔ الگورتھم کے تمام نظریاتی حصوں کا احاطہ پچھلے مضمون میں کیا گیا ہے اور ماخذ کوڈ میں آپ نفاذ کے بارے میں تفصیلی javadoc تبصرے حاصل کر سکتے ہیں۔

ذیل میں ہم نفاذ کے فن تعمیر کی اعلیٰ سطحی وضاحت فراہم کرتے ہیں:

1. lp_solve 5.5 لائبریری

مختلف لکیری پروگرامنگ کے مسائل کو حل کرنے کے لیے، ہم ایک اوپن سورس لائبریری کا استعمال کرتے ہیں جسے lp_solve کہتے ہیں۔ مخصوص lib ANSI C میں لکھا جاتا ہے اور لائبریری کے طریقوں کو استعمال کرنے کے لیے JAVA ریپر استعمال کرتا ہے۔ اس طرح کوڈ چلانے سے پہلے آپ کو اپنے سسٹم پر lp_solve انسٹال کرنا ہوگا۔ لائبریری کی بائنریز دونوں کے لیے دستیاب ہیں۔ لینکس اور ونڈوز اور آپ انسٹالیشن کے بارے میں مزید معلومات پر پڑھ سکتے ہیں۔ lp_solve دستاویزات.

JAVA کوڈ کو چلانے کی کوشش کرنے سے پہلے براہ کرم یقینی بنائیں کہ آپ کے سسٹم پر مخصوص لائبریری انسٹال ہے۔ لائبریری کو انسٹال کرنے اور ترتیب دینے سے متعلق کسی بھی مسئلے کے لیے براہ کرم lp_solve دستاویزات سے رجوع کریں۔

2. ڈیٹا اینویلپمنٹ تجزیہ کلاس

یہ DEA الگورتھم کے نفاذ کی اہم کلاس ہے۔ یہ ایک عوامی طریقہ کو لاگو کرتا ہے جسے تخمینہ کارکردگی () کہا جاتا ہے جو ریکارڈ کا نقشہ لیتا ہے اور ان کے DEA اسکور واپس کرتا ہے۔

3. DeaRecord آبجیکٹ

DeaRecord ایک خاص آبجیکٹ ہے جو ہمارے ریکارڈ کا ڈیٹا محفوظ کرتا ہے۔ چونکہ DEA کو ان پٹ اور آؤٹ پٹ کو الگ کرنے کی ضرورت ہوتی ہے، اس لیے DeaRecord آبجیکٹ ہمارے ڈیٹا کو الگ سے اس طرح اسٹور کرتا ہے کہ DEA اسے سنبھال سکے۔

4. سوشل میڈیا پاپولرٹی کلاس

The SocialMediaPopularity ایک ایسی ایپلی کیشن ہے جو DEA کا استعمال کرتے ہوئے سوشل میڈیا نیٹ ورکس پر کسی پیج کی فیس بک لائکس، Google +1s اور ٹویٹس کی بنیاد پر اس کی مقبولیت کا اندازہ لگاتی ہے۔ یہ دو محفوظ طریقے لاگو کرتا ہے calculatePopularity() اور تخمینہ Percentiles() کے ساتھ دو عوامی طریقوں loadFile() اور getPopularity()۔

calculatePopularity() DEA نفاذ کا استعمال ان کے سوشل میڈیا شماروں کی بنیاد پر صفحات کے اسکور کا تخمینہ لگانے کے لیے کرتا ہے۔ تخمینہ Percentiles() طریقہ DEA سکور حاصل کرتا ہے اور انہیں صد فیصد میں تبدیل کرتا ہے۔ عام طور پر ڈی ای اے سکور کے مقابلے میں پرسنٹائل کی وضاحت کرنا آسان ہے۔ اس طرح جب ہم کہتے ہیں کہ کسی صفحہ کا مقبولیت کا سکور 70% ہے تو اس کا مطلب ہے کہ مخصوص صفحہ 70% صفحات سے زیادہ مقبول ہے۔

کسی خاص صفحہ کی مقبولیت کا اندازہ لگانے کے لیے، ہمارے پاس دوسرے صفحات کے سوشل میڈیا شمار کے ساتھ ڈیٹا سیٹ ہونا ضروری ہے۔ یہ سمجھ میں آتا ہے کیونکہ یہ پیش گوئی کرنے کے لیے کہ کون سا صفحہ مقبول ہے اور کون سا نہیں، آپ کو ویب پر موجود دیگر صفحات سے اس کا موازنہ کرنے کے قابل ہونا چاہیے۔ ایسا کرنے کے لیے، ہم txt فارمیٹ میں فراہم کردہ Web SEO Analytics انڈیکس سے ایک چھوٹا گمنام نمونہ استعمال کرتے ہیں۔ آپ ویب پر مزید صفحات سے سوشل میڈیا کی گنتی نکال کر اپنا ڈیٹا بیس بنا سکتے ہیں۔

loadFile() طریقہ DEA پر مذکورہ بالا اعدادوشمار کو لوڈ کرنے کے لیے استعمال کیا جاتا ہے اور getPopularity() طریقہ استعمال کرنے کا ایک آسان طریقہ ہے جو فیس بک لائکس، گوگل +1s اور کسی پیج کی ٹویٹس کی تعداد حاصل کرتا ہے اور سوشل میڈیا پر اس کی مقبولیت کا اندازہ کرتا ہے۔ .

ڈیٹا انوولپمنٹ تجزیہ جاوا عمل درآمد کا استعمال

DataEnvelopmentAnalysisExample Class I میں 2 مختلف مثالیں فراہم کرتا ہوں کہ کوڈ کو کیسے استعمال کیا جائے۔

پہلی مثال تنظیمی اکائیوں کی کارکردگی کا جائزہ لینے کے لیے براہ راست DEA طریقہ استعمال کرتی ہے جو ان کے آؤٹ پٹ (مسائل، رسیدیں، درخواستیں) اور ان پٹ (اسٹاک، اجرت) کی بنیاد پر کرتی ہے۔ یہ مثال کے ایک مضمون سے لیا گیا تھا DEAzone.com.

        Map<String, DeaRecord> records = new LinkedHashMap<>();
        
        records.put("Depot1", new DeaRecord(new double[]{40.0,55.0,30.0}, new double[]{3.0,5.0}));
        //...adding more records here...
        
        DataEnvelopmentAnalysis dea = new DataEnvelopmentAnalysis();
        Map<String, Double> results = dea.estimateEfficiency(records);
        System.out.println((new TreeMap<>(results)).toString());

دوسری مثال سوشل میڈیا جیسے کہ Facebook لائکس، Google +1s اور ٹویٹس کا ڈیٹا استعمال کرکے صفحہ کی مقبولیت کا اندازہ لگانے کے لیے ہماری سوشل میڈیا مقبولیت ایپلیکیشن کا استعمال کرتی ہے۔ تمام سوشل میڈیا شمار آؤٹ پٹ کے بطور نشان زد ہیں اور ہم DEA کو ایک خالی ان پٹ ویکٹر بھیجتے ہیں۔

        SocialMediaPopularity rank = new SocialMediaPopularity();
        rank.loadFile(DataEnvelopmentAnalysisExample.class.getResource("/datasets/socialcounts.txt"));
        Double popularity = rank.getPopularity(135, 337, 9079); //Facebook likes, Google +1s, Tweets
        System.out.println("Page Social Media Popularity: "+popularity.toString());

ضروری توسیعات

فراہم کردہ کوڈ صرف ایک مثال ہے کہ کس طرح DEA کو درجہ بندی الگورتھم کے طور پر استعمال کیا جا سکتا ہے۔ عمل درآمد کو بہتر بنانے کے لیے یہاں چند توسیعات کی جانی چاہیے:

1. عمل درآمد کو تیز کرنا

خاص طور پر ڈی ای اے کا نفاذ ڈیٹا بیس میں موجود تمام ریکارڈز کے ڈی ای اے اسکورز کا جائزہ لیتا ہے۔ اس سے عمل درآمد سست ہو جاتا ہے کیونکہ ہمیں ڈیٹا بیس میں ریکارڈز کی تعداد کے برابر لکیری پروگرامنگ کے مسائل حل کرنے کی ضرورت ہوتی ہے۔ اگر ہمیں تمام ریکارڈز کے سکور کا حساب لگانے کی ضرورت نہیں ہے تو ہم عمل درآمد کو نمایاں طور پر تیز کر سکتے ہیں۔ اس طرح الگورتھم کی ایک چھوٹی سی توسیع ہمیں بہتر کنٹرول دے سکتی ہے کہ کون سے ریکارڈز کو حل کیا جانا چاہئے اور کن کو صرف رکاوٹوں کے طور پر استعمال کیا جانا چاہئے۔

2. سوشل میڈیا کاؤنٹ ڈیٹا بیس کو پھیلانا

فراہم کردہ سوشل میڈیا کاؤنٹ ڈیٹا بیس ویب SEO تجزیاتی انڈیکس کے 1111 نمونوں پر مشتمل ہے۔ مقبولیت کے زیادہ درست اسکور کا اندازہ لگانے کے لیے، ایک بڑا نمونہ ضروری ہے۔ آپ ویب کے مزید صفحات سے سوشل میڈیا کی تعداد کا اندازہ لگا کر اپنا ڈیٹا بیس بنا سکتے ہیں۔

3. مزید سوشل میڈیا نیٹ ورکس شامل کرنا

نفاذ میں کسی مضمون کی مقبولیت کا اندازہ لگانے کے لیے فیس بک لائکس، گوگل +1 اور ٹویٹس کی تعداد کا استعمال کیا جاتا ہے۔ اس کے باوجود دوسرے سوشل میڈیا نیٹ ورکس کے میٹرکس کو آسانی سے مدنظر رکھا جا سکتا ہے۔ آپ کو صرف ان نیٹ ورکس سے سوشل میڈیا کی گنتی کے ساتھ ایک ڈیٹا بیس بنانے کی ضرورت ہے جن میں آپ کی دلچسپی ہے اور اسی کے مطابق ان کو سنبھالنے کے لیے SocialMediaPopularity کلاس کو بڑھانا ہے۔

عملدرآمد پر حتمی تبصرے

عمل درآمد کو بڑھانے کے قابل ہونے کے لیے آپ کو اچھی طرح سمجھنا چاہیے کہ کیسے ڈیٹا لفافہ تجزیہ کام کرتا ہے اس کا احاطہ پچھلے مضمون میں کیا گیا ہے، اس لیے کسی بھی تبدیلی کو آگے بڑھانے سے پہلے براہ کرم اس ٹیوٹوریل کو پڑھنا یقینی بنائیں۔ مزید یہ کہ JAVA کوڈ استعمال کرنے کے لیے آپ نے اپنے سسٹم میں lp_solve لائبریری (اوپر دیکھیں) انسٹال کی ہوگی۔

اگر آپ کسی دلچسپ منصوبے میں عمل درآمد کا استعمال کرتے ہیں۔ ہمیں ایک سطر چھوڑ دو اور ہم آپ کے پروجیکٹ کو اپنے بلاگ پر پیش کریں گے۔ اس کے علاوہ اگر آپ کو مضمون پسند ہے، تو براہ کرم ایک لمحہ نکالیں اور اسے ٹویٹر یا فیس بک پر شیئر کریں۔