推荐系统实践(五)----基于图的推荐算法

  基于图的模型（$graph-basedmodel$）是推荐系统中的重要内容。在研究基于图的模型之前，首先需要将用户行为数据表示成图的形式。这里我们将用户行为数据用二分图表示，例如用户数据是由一系列的二元组(也可以使用列表)组成，其中每个元组 $(u,i)$ 表示用户 $u$ 对物品 $i$ 产生过行为。下图为 $A$, $B$, $C$ 用户感兴趣的音乐：

  产生的二分图模型如下：

  将用户行为表示为二分图模型后，下面的任务就是在二分图上给用户进行个性化推荐。如果将个性化推荐算法放到二分图模型上，那么给用户 $u$ 推荐物品的任务就可以转化为度量用户顶点 $v_u$ 和与 $v_u$ 没有边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。
  度量图中两个顶点之间相关性的方法很多，但一般来说图中顶点的相关性主要取决于下面3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。
  而相关性高的一对顶点一般具有如下特征：
    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。

  我们可以举个例子来说明，如上图，用户 $A$ 没有对《故乡的原风景》《偷功》有直接表达喜好，但是可以通过 { A , 英 雄 的 黎 明 , B , 故 乡 的 原 风 景 } \{A, 英雄的黎明, B, 故乡的原风景\} { A,英雄的黎明,B,故乡的原风景}， { A , 最 后 的 莫 西 干 人 , B , 故 乡 的 原 风 景 } \{A, 最后的莫西干人, B, 故乡的原风景\} { A,最后的莫西干人,B,故乡的原风景} 两条路径为 $3$ 的路径对《故乡的原风景》产生联系，同样也可以通过 { A , 最 后 的 莫 西 干 人 , C , 偷 功 } \{A, 最后的莫西干人, C, 偷功\} { A,最后的莫西干人,C,偷功} ， { A , 最 后 的 莫 西 干 人 , B , 偷 功 } \{A, 最后的莫西干人, B, 偷功\} { A,最后的莫西干人,B,偷功} 两条路径为 $3$ 的路径对《偷功》产生联系。那么，用户 $A$ 与《偷功》之间的相关性要高于用户 $A$ 与《故乡的原风景》，因而《偷功》在用户 $A$ 的推荐列表中应该排在《故乡的原风景》之前。而 { A , 最 后 的 莫 西 干 人 , C , 偷 功 } \{A, 最后的莫西干人, C, 偷功\} { A,最后的莫西干人,C,偷功} 经过点的出度为 { 2 , 3 , 2 , 2 } \{2, 3, 2, 2\} { 2,3,2,