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