Swing算法

Swing算法

概念：不同于传统基于“点”的节点亲密度(proximity)计算方式，如：Common  Neighbors,  Adamic/Adar,  Cosine  Similarity,  Jaccard  Similarity,  Wb-cosine,  Rooted  PageRank等，Swing会考虑网络结构信息，以高维的网络结构向二跳节点扩展，抗噪能力强，相比传统的CF准确性有大幅的提升。

算法详情：对于用户进行推荐，往往通过对用户的意图进行建模，但是会有马太效应的问题，即会造成越流行的东西随着搜索过程的迭代会越流行，使得那些越不流行的东西石沉大海。

Swing是一种基于图结构的实时推荐算法，Swing指的是秋千，用户和物品的二部图中会存在很多这种秋千，例如(u1,u2,i1)(u1,u2,i1), 即用户1和2都购买过物品ii，三者构成一个秋千(三角形缺一条边)。这实际上是3阶交互关系。传统的启发式近邻方法只关注用户和物品之间的二阶交互关系。Swing会关注这种3阶关系。这种方法的一个直觉来源于，如果多个user在点击了i1i1的同时，都只共同点了某一个其他的i2i2，那么i1i1和i2i2一定是强关联的，这种未知的强关联关系相当于是通过用户来传递的。另一方面，如果两个user pair对之间构成的swing结构越多，则每个结构越弱，在这个pair对上每个节点分到的权重越低。

 

为了衡量物品i和j的相似性，考察都购买了物品i和j的用户u和v， 如果这两个用户共同购买的物品越少，则物品i和j 的相似性越高。极端情况下，两个用户都购买了某个物品，且两个用户所有购买的物品中，共同购买的物品只有这两个，说明这两个用户兴趣差异非常大，然而却同时购买了这两个物品，则说明这两个物品相似性非常大。