随机游走 推荐系统论文阅读

emmmm本篇博客主要写了，自己阅读的一些论文，做了一些笔记，主要是记录。

---

 

基于深度随机游走的协同过滤推荐算法_刘靖凯

推荐算法：召回和排序

召回步骤常用的算法有协同过滤算法、隐语义算法

常用的协同过滤算法有基于用户的协同过滤算法和基于物品的协同过滤算法，基于用户的协同过滤算法通过推荐与用户兴趣相近的其他用户感兴趣的物品，从而达到精确推荐的目的。

协同过滤算法和基于模型的推荐算法结合，来提高推荐算法的性能

为了保持模型的时效性，一些在线学习的模型通过学习新产生的用户行为数据来保持模型参数的质量。在线学习的推荐模型能够从持续更新的数据流中训练模型参数。常用的模型有增量式的协同过滤模型和增量式的矩阵分解模型。

深度随机游走

深度随机游走是一种将图结构转化为向量表示的算法。算法采用无监督的深度学习方法。深度随机游走算法可以学习到用户节点之间的社交关系，包括相邻用户节点的邻域信息和同一用户群体的成员关系。利用图结构来代替用户的历史行为信息矩阵，可以有效地表示不同用户群体的距离。利用向量来表示用户节点可以有效地解决图数据稀疏性的问题。

基于深度随机游走的协同过滤推荐算法（Collaborative Filtering Algorithm Based on Deepwalk , DW- CF）

利用用户的历史行为，构建用户图结构，计算用户嵌入向量，计算各用户向量间的余弦相似度，从而计算用户的推荐列表，算法在实验中体现了其有效性。

推荐算法利用用户的历史行为数据为用户推荐排序好的物品。

本文推荐算法的思路：根据用户对物品的正反馈行为和用户之间的社交信息，预测每一位用户对物品的兴趣偏好得分 ，从而将预测得分最高的N个物品推荐给用户。

传统的用户协同过滤算法通过计算两盒用户的行为相似度来表示用户之间的兴趣相似度，而本文的深度随机游走算法是通过计算用户的表示向量，计算任意两个向量的余弦距离来表示用户之间的相似度，进而计算用户对物品的兴趣偏好。

基于用户向量的协同过滤算法

基于用户向量的协同锅炉算法是利用上文方法计算得到的用户向量，计算任意两个用户之间的余弦相似度，找到与该用户相似的用户，计算用户对各物品的兴趣得分，为用户推荐物品。与用户k最相似的N个用户L可以通过一下的公式求出