1.一种电子商务网络中用于商品推荐的社区搜索方法，其特征在于，包括：将电子商务网络构转换为无向属性图G；初始化参数，根据初始化参数计算无向属性图中各个节点的属性增强电导；根据属性增强电导提取候选粗糙社区；从候选粗糙社区筛选出粗糙社区；采用训练后的神经社区优化模型对粗糙社区进行处理，得到编码状态；根据编码状态对粗糙社区进行优化，得到细化社区；获取用户数据信息，基于细化社区对用户数据信息进行搜索，根据在线社区搜索结果对用户进行商品推荐；

计算无向属性图中各个节点的属性增强电导包括：计算无向属性图中节点进行随机游走的概率；根据随机游走的概率构建无向属性图的拓扑结构图；计算无向属性图的属性电导；计算拓扑结构图的拓扑电导；根据属性电导和拓扑电导计算属性增强电导；

计算无向属性图的属性电导包括：

其中，φa(C)为无向属性图的属性电导， 为连接社区C与社区 的属性边所

构成的集合，vola(C)为C内属性度的总和，vi为社区C内部的节点，vj为社区C外部的节点，f为共享属性；da(u)为节点u的属性度，表示节点u所连属性边的个数。

2.根据权利要求1所述的一种电子商务网络中用于商品推荐的社区搜索方法，其特征在于，无向属性图G为 其中，V为用户节点集，E为用户建立的连接边集，F为用户的属性矩阵。

3.根据权利要求1所述的一种电子商务网络中用于商品推荐的社区搜索方法，其特征在于，计算拓扑结构图的拓扑电导包括：其中，φt(C)为无向图中的拓扑电导， 为连接社区C和 的边，vol(C)为C内节点度数的总和。

4.根据权利要求1所述的一种电子商务网络中用于商品推荐的社区搜索方法，其特征在于，计算属性增强电导为：Φ(C)＝β·φt(C)+(1‑β)·φa(C)

其中，β为偏好参数，φt(C)为拓扑电导，φa(C)为无向属性图的属性电导。

5.根据权利要求1所述的一种电子商务网络中用于商品推荐的社区搜索方法，其特征在于，采用训练后的神经社区优化模型对粗糙社区进行处理包括：预训练具有社区意识的状态编码器；采用预训练的状态编码器对粗糙社区进行处理；将处理结果输入到两个策略网络中，通过强化学习算法进行训练；利用训练好的策略网络细化粗糙社区。

6.根据权利要求5所述的一种电子商务网络中用于商品推荐的社区搜索方法，其特征在于，训练神经社区优化模型的损失函数为：L＝LT+αLC

其中，L为神经社区优化模型的损失函数，LT为边际损失，α为控制损失的超参数，LC为三重损失，Auv为邻接矩阵中u行v列的值，δ(hu,hv)为hu和hv之间的余弦距离，hu为u节点的嵌入，hv为v节点的嵌入，γ1为最小距离的边缘超参数，q为查询节点，q+为正样本，q‑为负样本，δ(hq,hq+)为hq和hq+之间的余弦距离，hq为查询节点的嵌入，hq+为正样本的嵌入，hq‑为负样本的嵌入，γ2为边界超参数。

7.根据权利要求1所述的一种电子商务网络中用于商品推荐的社区搜索方法，其特征在于，根据编码状态对粗糙社区进行优化包括：定义粗糙社区的初始状态；利用状态编码器对中间社区进行编码；采用解码器对编码后的中间社区进行解码，得到下一步要采取的动作；根据下一步动作进行状态转移；到达所预设的终止条件完成社区细化。