本文介绍了使用Python实现PersonalRank算法的过程，该算法应用于基于图的推荐系统中。作者提供了可执行的源码文件供读者下载和研究。
今天我们讲一个下怎么使用随机游走算法PersonalRank实现基于图的推荐。
在推荐系统中，用户行为数据可以表示成图的形式，具体来说是二部图。用户的行为数据集由一个个（u,i）二元组组成，表示为用户u对物品i产生过行为。本文中我们认为用户对他产生过行为的物品的兴趣度是一样的，也就是我们只考虑“感兴趣”OR“不感兴趣”。假设有下图所示的行为数据集。
其中users集U={A, B, C}，items集I = {a,b,c,d}。则用户物品的二部图如下所示：
我们用G(V, E)来表示这个图，则顶点集V=U∪I，图中的边则是由数据集中的二元组确定。二元组（u, i）表示u对i有过行为，则在图中表现为有边相连，即e(u,i)。【注意】，本文中我们不考虑各边的权重（即u对i的兴趣度），权重都默认为1。感兴趣即有边相连，不感兴趣则没有边相连。
那有了二部图之后我们要对u进行推荐物品，就转化为计算用户顶点u和与所有物品顶点之间的相关性，然后取与用户没有直接边相连的物品
在推荐系统中，用户行为数据可以表示成图的形式，具体来说是二部图。用户的行为数据集由一个个（u,i）二元组组成，表示为用户u对物品i产生过行为。本文中我们认为用户对他产生过行为的物品的兴趣度是一样的，也就是我们只考虑“感兴趣”OR“不感兴趣”。假设有下图所示的行为数据集。
其中users集U={A, B, C}，items集I = {a,b,c,d}。则用户物品的二部图如下所示：
那有了二部图之后我们要对u进行推荐物品，就转化为计算用户顶点u和与所有物品顶点之间的相关性，然后取与用户没有直接边相连的物品
扫一扫
1166
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
