图算法（二）：PersonalRank算法【适用场景：商品推荐、好友推荐和网页推荐等】【继承了经典PageRank算法的思想，利用图链接结构来递归计算各节点的重要性】

PersonalRank算法又称Personalized PageRank算法。该算法继承了经典PageRank算法的思想，利用图链接结构来递归计算各节点的重要性。

与PageRank算法不同的是，为了保证随机行走中各节点的访问概率能够反映出用户的偏好，PersonalRank算法在随机行走中的每次跳转会以（1-alpha）的概率返回到source节点，因此可以基于source节点个性化地计算网络节点的相关性和重要性。

PersonalRank值越高，source节点的相关性/重要性越高。

适用场景：PersonalRank算法适用于商品推荐、好友推荐和网页推荐等场景。

PageRank[1]是Google创始人拉里·佩奇和谢尔盖·布林于1997提出的用于客观评价网页的重要度的方法，最初的PageRank算法是主题无关的，它不依赖于任何特定的搜索查询。为了得到主题相关的搜索结果，Haveliwala提出主题敏感的PageRank方法，称为PersonalRank[2]，该方法用于在二分图中为用户进行推荐。二分图又称为二部图，是图论中的一种特殊模型，设G=(V,E) 是一个图，如果顶点V可分割为两个互不相交的子集(A, B)，并且图中的每条边(i, j)所关联的两个顶点i和j分别属于这两个不同的顶点集(i in A, j in B) ，则称图G为一个二分图，如图所示：

---

---

---

参考资料：