基于领域的社会化推荐

最新推荐文章于 2021-10-31 15:12:42 发布

原创最新推荐文章于 2021-10-31 15:12:42 发布 · 784 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#mysql #基于邻域的社会化推荐

本文介绍了社交网络中推荐算法的基本原理，包括用户熟悉度计算、Facebook的EdgeRank算法及其实现方式，并探讨了不同类型的好友推荐算法。同时，文中还提到了实时数据存储的重要性以及如何利用数据库连接池提高效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先介绍几个概念：familiarity（u,v）=|out(u) & out(v)|/|out(u) | out(v)| 用户的熟悉度，社交网络中，看看有多少共同好友和共同关注（Facebook用这种方法），twitter一般用in（uv），来判断熟悉度。Facebook最出名的算法EdgeRank算法（信息流推荐算法）：其他用户对当前信息流的回话产生过行为的行为。一般U*W*D（u代表相似度，w代表行为权重，d代表时间衰弱），但是没有考虑主题的相关性。一般好友推荐算法，从内容匹配上面可以分：基于统计学，兴趣，地址等。一般来说需要实时存储的数据，比如说是购物车购买数据，加入购物车数据，都要存储在数据库和缓存中，大规模非实时的数据存在HDFS中。

小知识点总结：

mysql中想要按照顺序排列，用order by，其中默认是按照升序排列，order by-----desc是按照降序排列。

数据库连接池：连接数据库是一个比较费时的开销，因此在第一次建立一个连接池，每一个连接共享数据库资源，这样以后可以省时间。