基于内容推荐算法的实现,社交网络分析算法应用

深度学习推荐算法？

谷歌人工智能写作项目：小发猫

社交网络的核心推荐算法有哪些？

对好友推荐算法非常熟悉，有些积累AI爱发猫。

好友推荐算法一般可以分为下面几类：1、基于关系的推荐基于关系的推荐，最近写了一个专栏文章，具体介绍了常用算法，可以看下有没有帮助，传送门：简介：a.社会网络中，三元闭包理论，以及常用推荐算法b.Facebook中的推荐算法是如何做的2、基于用户资料的推荐3、基于兴趣的推荐剩下两个方面有时间再写。

近来学习聚类，发现聚类中有一个非常有趣的方向—社交网络分析，分享一下我的大致了解。这篇只是一篇概况，并没有太多的公式推导和代码，基本是用人话解释社交网络分析中的常用的几种算法。

详细到每个算法的以后有空再把详细的公式和代码补上。

社区发现算法，GN算法，Louvain算法，LPA与SLPALouvain算法思想1.不断遍历网络中的节点，尝试把单个节点加入能使模块度提升最大的社区，直到所有节点不再改变2.将第一阶段形成的一个个小的社区并为一个节点，重新构造网络。

这时边的权重为两个节点内所有原始节点的边权重之和。

3.重复以上两步LPA算法思想：1.初始化每个节点，并赋予唯一标签2.根据邻居节点最常见的标签更新每个节点的标签3.最终收敛后标签一致的节点属于同一社区SLPA算法思想：SLPA是LPA的扩展。

1.给每个节点设置一个list存储历史标签2.每个speaker节点带概率选择自己标签列表中标签传播给listener节点。

（两个节点互为邻居节点）3.节点将最热门的标签更新到标签列表中4.使用阀值去除低频标签，产出标签一致的节点为社区。

深度学习主要是学习哪些算法？

深度学习（也称为深度结构化学习或分层学习）是基于人工神经网络的更广泛的机器学习方法族的一部分。学习可以是有监督的、半监督的或无监督的。

深度学习架构，例如深度神经网络、深度信念网络、循环神经网络和卷积神经网络，已经被应用于包括计算机视觉、语音识别、自然语言处理、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检查和棋盘游戏程序在内的领域，在这些领域中，它们的成果可与人类专家媲美，并且在某些情况下胜过人类专家。

神经网络受到生物系统中信息处理和分布式通信节点的启发。人工神经网络与生物大脑有各种不同。具体而言，神经网络往往是静态和象征性的，而大多数生物的大脑是动态(可塑)和模拟的。

定义深度学习是一类机器学习算法：使用多个层逐步从原始输入中逐步提取更高级别的特征。例如，在图像处理中，较低层可以识别边缘，而较高层可以识别对人类有意义的部分，例如数字/字母或面部。

业界现在有哪些比较成熟的基于深度学习的应用

应该说，CNN（convolutionalneuralnetwork）只是深度学习中的一种算法，并且由于Lenet_5等模型的原因目前应用较为广泛。

其实，除了CNN之外，深度学习中还有其他的网络算法，比如Hinton的DBNs，对于语音和自然语言处理还是不错的。

常见的深度学习算法主要有哪些？

深度学习常见的3种算法有：卷积神经网络、循环神经网络、生成对抗网络。

卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是深度学习的代表算法之一。

循环神经网络(RecurrentNeuralNetwork,RNN)是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。

生成对抗网络(GAN,GenerativeAdversarialNetworks)是一种深度学习模型，是最近两年十分热门的一种无监督学习算法。

推荐算法有哪些？

推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。

基于内容的推荐算法，原理是用户喜欢和自己关注过的Item在内容上类似的Item，比如你看了哈利波特I，基于内容的推荐算法发现哈利波特II-VI，与你以前观看的在内容上面（共有很多关键词）有很大关联性，就把后者推荐给你，这种方法可以避免Item的冷启动问题（冷启动：如果一个Item从没有被关注过，其他推荐算法则很少会去推荐，但是基于内容的推荐算法可以分析Item之间的关系，实现推荐），弊端在于推荐的Item可能会重复，典型的就是新闻推荐，如果你看了一则关于MH370的新闻，很可能推荐的新闻和你浏览过的，内容一致；另外一个弊端则是对于一些多媒体的推荐（比如音乐、电影、图片等)由于很难提内容特征，则很难进行推荐，一种解决方式则是人工给这些Item打标签。

协同过滤算法，原理是用户喜欢那些具有相似兴趣的用户喜欢过的商品，比如你的朋友喜欢电影哈利波特I，那么就会推荐给你，这是最简单的基于用户的协同过滤算法（user-basedcollaboratIvefiltering），还有一种是基于Item的协同过滤算法（item-basedcollaborativefiltering），这两种方法都是将用户的所有数据读入到内存中进行运算的，因此成为Memory-basedCollaborativeFiltering，另一种则是Model-basedcollaborativefiltering，包括AspectModel，pLSA，LDA，聚类，SVD，MatrixFactorization等，这种方法训练过程比较长，但是训练完成后，推荐过程比较快。

最后一种方法是基于知识的推荐算法，也有人将这种方法归为基于内容的推荐，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行推荐。

混合推荐算法，则会融合以上方法，以加权或者串联、并联等方式尽心融合。

当然，推荐系统还包括很多方法，其实机器学习或者数据