基于图的personal rank推荐算法
2019-09-26 本文已影响0人
邵红晓
- 背景
-
用户的行为很容易表示为图
定点，边 uesr,item构建图（二分图）
二分图：又称为二部图，是图论中的一种特殊模型。设G=（v,e），是一个无向图，如果顶点V可分割为两个互不相交的子集，并且图中的每条边（i，j）所关联的两个顶点i和j分别属于这两个不同的顶点集合（i in A，j in B）则称图G为一个二分图
image.png
-
图推荐在个性化推送领域中效果显著
- 实例
对于userA来说，item c 和 item e 哪个更值得推荐? - 依据：
- 两个顶点之间的联通路径数
- 两个顶点之间联通路径长度
- 两个顶点之前联通路径经过顶点的出度（顶点对外连接边的数目）
- userA 到 item c 之间，有2条联通路径，长度都是3
经过顶点A（出度 3）-a（出度 2）-B（出度 2）-c （出度 2 ） -
算法描述：
对用户A进行个性化推荐，从用户节点开始在用户物品二分图，进行random walk，以alpha的概率充A 的出边中等概率的选择一条边进行游走， 到达该顶点后（比如a），有alpha的概率继续从顶点a出边中等概率继续选择一条边游走到下一个节点，或者以1-alpha的概率回到起点A，多次迭代，直到各个顶点对于用户的重要度收敛
image.png
不同item对user的重要程度描述为PR值，以a顶点为例，
