【推荐系统技术、评估及高效算法】读书笔记之第2章基于领域的推荐方法综述

该章偏向于理论描述，其中涉及到的方法通过造数据来完成对应的实验。本博客是【推荐系统技术、评估及高效算法】一书中的第2章内容提炼与总结。
整体上，本博客从方法定义、计算、优点、缺点四个方面来体现对某一个方法的论述与理解。
本章节主要亮点有两个：
1）基于图的推荐算法，这个在近期研究很火，好多paper都与此相关联。这个和阿里的swing算法比较相似。后面专栏会讲解。
2）基于学习的推荐算法，本章节中简要介绍了 SLIM算法，与之接近的是 GLSLIM算法、 CSLIM算法等。

图算法

二分图

评分预测和top-N是预测系统中两个重要的典型问题。
我们以评分预测来做例子进行讲解，topN问题也可以看成是评分预测取前n个。
二分图，又称二部图，是图的一种简单形式，二分图的定义是『有两顶点集且图中每条边的的两个顶点分别位于两个顶点集中，每个顶点集中没有边直接相连接！』。定义读得太拗口，我们来看一个图：

[来源于维基百科]

它的一个充分必要条件是，这个图可以把它分割成两个独立的部分，并且两个独立的部分内部不连通。这里就引伸出来两个算法题，判断某个图是否是二分图及最大匹配。自行搜索，有时间单独写这两道算法题目的博客。

Ref：
1、slim算法论文
2、github上slim代码
3、简书上slim推荐算法的github上python2/3代码
4、知乎上slim推荐算法的总结
5、推荐系统算法综述
6、阿里swing算法
7、二分图