《Parameters optimization of hybrid strategy recommendation based on particle swarm algorithm》——读书笔记

前言

本次阅读的论文是一篇有关推荐算法的论文，他主要用到的知识就是粒子群算法（经典的优化算法之一）还有图这种数据结构的一些知识，初次之外，就是引用了其他论文中的一些模型，主要是ProbS还有HeatS,由于时间关系，本人介绍的内容有限，欢迎大家来探讨。

ProbS算法和HeatS算法

Heats算法是Probs的一种变体，详细可见原文：

首先看ProbS算法，具体介绍如下：

需要注意的是这里面提到的degree其实是度的意思，跟数据结构中图的度是差不多的，但应用场景不同，包含的意思稍微有所不同，具体见原文：

用户度：用户所购买过的商品的数量
商品度：商品被不同用户买过的数量（就是多少人买过这个东西）
算法示意图如下：

我觉得论文中用户第一个节点和第三个节点的数字弄错了，圆圈代表用户，方块代表商品
Heats算法的示意图如下：

原文对这个算法介绍的不多，这个也不重要。重要的是论文对两种算法的混合做了改进，一开始是HHM算法;

这是ProbS和HeatS算法计算矩阵元素方法进行混合后的结果，简单的线性组合对模型效果提升不大，所以HHM算法就出现了

但是，作者认为这中混合方式，参数还是存在线性关系，还给出了自己的理由：

提出了自己的混合方式

其实大家可以学学这种混合方式，虽然有时候很平凡，但确实是创新点

总结

其实介绍了上述两种算法，还是要理解为什么可以用这两种算法做推荐，我觉得是通过图把买过相同商品的用户连接起来，算出的数字做权重来替代其他论文中的相似度，这点很有意思。但是我觉得模型工作量太少了，就是A+B可能，仅仅个人观点。有需要可以找我要原文和讨论