Graph-based推荐传统做法是构建二元图（bipartite），分为user和item两个node集合，user-item的interaction构建两个集合之间的连线，见下图，其中圆框是三个user，方形框是四个item。
该方法在2005年前较流行，现在学术界更流行的方法是Graph Convolutional Network(GCN)。
推荐采用personal rank算法，或者说random work，与page rank思路是一样的。首先从一个顶点（即某一user A）出发，以一定概率 α \alpha α往下一个节点游走，以 1 − α 1-\alpha 1−α概率回到初始顶点A，足够长时间后，整幅图的概率分布会趋于一个稳定值，这个概率值即为该user A对每个item的感兴趣程度。
举个例子：
假定从A出发，一开始 P R ( A ) = 1 {PR(A) = 1} PR(A)=1，其余为0
第一步，A以 1 2 × α \frac{1}{2} \times \alpha 21×α概率分别向a、c游走，
P R ( A ) = 1 − α P R ( a ) = P R ( c ) = 1 2 × α PR(A) = 1-\alpha \\ PR(a) = PR(c) = \frac{1}{2} \times \alpha PR(A)=1−αPR(a)=PR(c)=21×α
第二步，A以 1 2 × α \frac{1}{2} \times \alpha 21×α概率分别向a、c游走，a以 1 2 × α {\frac{1}{2} \times \alpha} 21×α概率分别向A、B游走，c以 1 3 × α {\frac{1}{3} \times \alpha} 31×α
最低0.47元/天 解锁文章
1561
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
