推荐系统经典算法：基于随机游走的PersonalRank算法

上图展示了此算法的原理。一开始这个算法主要是应用于用户浏览网页。
用户随机打开一个网页，之后它可以选择退出或者点击网页里的链接跳转到其他的网页，下一个网页同样还是一样的选择，对于这种情况，用户选择跳转的概率是1/n，n是网页的个数。
把这种情况迁移到用户物品的二分图上，

我们认为每个节点被访问的概率可以代表推荐列表中物品的权重。
利用上面的公式迭代，求某一个用户的推荐列表。
下面是代码；

# coding:utf-8
import time


def PersonalRank(G, alpha, root, max_depth):
    #rank字典用于存储每个节点和它对应的权值
    rank = dict()
    #初始值都设为0
    rank = {x: 0 for x in G.keys()}
    #但是我们要求的用户的权值初始值是1
    rank[root] = 1
    # 开始迭代
    begin = time.time()
    #迭代k次
    for k in range(max_depth):
    #一个暂时存储这次迭代的权值结果的tmp字典
        tmp = {x: 0 for x in G.keys()}
        # 取出节点i和他的出边尾节点集合ri
        for i, ri in G.items():
            # 取节点i的出边的尾节点j以及边E(i,j)的权重wij,边的权重都为1，归一化后就是1/len(ri)
            for j, wij in ri.items():
          #利用公式更新每个节点的权值，注意，rank[i]是上一次迭代时的出节点的权值
                tmp[j] += alpha * rank[i] / (1.0 * len(ri))
        #更新所求用户的权值
        tmp[root] += (1 - alpha)
        #把tmp的值赋给rank字典
        rank = tmp
    end = time.time()
    print('use_time', end - begin)
    #把rank里的键值对，按照权值降序排列
    lst = sorted(rank.items(), key=lambda x: x[1], reverse=True)
    for ele in lst:
    #既然要求推荐列表，那么用户要略去，此外用户浏览过的那些物品也不能再给用户推了
        if(ele[0] not in {'A','B','C'} and ele[0] not in G.get(root)):
        #把它们（物品名，权值）打印出来
            print("%s:%.3f, \t" % (ele[0], ele[1]))

    return rank


if __name__ == '__main__':
    alpha = 0.8
    G = {'A': {'a': 1, 'c': 1},
         'B': {'a': 1, 'b': 1, 'c': 1, 'd': 1},
         'C': {'c': 1, 'd': 1},
         'a': {'A': 1, 'B': 1},
         'b': {'B': 1},
         'c': {'A': 1, 'B': 1, 'C': 1},
         'd': {'B': 1, 'C': 1}}
    PersonalRank(G, alpha, 'A', 50)

运行结果：

所以，给用户A推荐的物品列表是{d，b}

这种算法的问题：
对于每个用户都得进行一次这个操作，时间复杂度非常高。

（注：代码来自我也不知道是谁的大佬，我修改了一下，
图片来自项亮老师的《推荐系统实战》（也许是实践，我不记得了））