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:
PersonalRank算法
PersonalRank:一种基于图的推荐算法
Personal Rank算法的原理及实现