基于图的推荐算法

我们很容易就能想到啊，这个推荐的原理实际就是，用户和物品之间的关系。那么用户和物品就可以用图模型来表示。

例如用用户行为数据来构造用户物品的二分图。用户A连接物品1表示，用户A对物品1产生过行为。
有了二分图后，我们的任务实际就转化成了在二分图上给用户进行个性化推荐。推荐的任务又可以转为度量用户顶点与用户没有直接相连的物品节点在图上的相关性，相关性越高的物品在推荐列表中的权重就越高。

如何度量两个顶点之间的相关性？

顶点的相关性主要取决于下面三个因素：
① 两个顶点之间的路径数；
② 两个顶点之间路径的长度；
③ 两个顶点之间的路径经过的顶点。

相关性高的时候：
① 两个顶点之间有很多路径相连；
② 连接两个顶点之间的路径长度都比较短；
③ 连接两个顶点之间的路径不会经过出度比较大的顶点。

度量相关性的方法：基于随机游走的PersonalRank算法
推荐算法——基于图的推荐算法PersonalRank算法
利用这种算法就可以求出物品相关性，换句话说就可以得到物品的推荐列表。