推荐算法——基于图模型

最新推荐文章于 2022-04-29 15:09:21 发布
原创 最新推荐文章于 2022-04-29 15:09:21 发布 · 7.8k 阅读 · 23 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法

该博客介绍了如何使用基于图模型的推荐算法，通过构建用户行为数据的图，并运用personalRank算法进行随机游走，生成用户个性化推荐。在算法中，从用户节点出发进行随机游走，根据概率决定是否继续或重置，最终物品节点的访问概率决定了推荐权重。通过转化成矩阵形式，可以计算出推荐列表中物品的权重。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

基于图模型（graph-based model） 将用户行为数据表示成图的形式。
二分图模型表示
如上，用户A对物品a,b,d有行为。

表示成二分图之后，给用户u推荐物品可以转化为度量用户顶点 vu 和与 vu 没有边直连的物品节点在图上的相关性，相关性越高的物品在推荐列表中权重越高。 顶点的相关性主要体现在如下方面：
两个顶点之间的路径数
两个顶点之间路径的长度
两个顶点之间的路径经过的点
相关性高的一对顶点有如下特征：
两个顶点之间有很多路径相连
连接两个顶点之间的路径长度都比较短
连接两个顶点之间的路径不会胫骨出度较大的顶点

利用随机游走的personalRank算法来为用户推荐物品：
假定要给用户u进行个性化推荐，可以从用户u对应的节点v

最低0.47元/天 解锁文章

200万优质内容无限畅学
一. 图模型（graphical model, GM)的表示
Xianling Mao的专栏
07-29 3万+
<br />图模型(graphical model)是一类用图来表示概率分布的一类技术的总称。<br />它的主要优点是把概率分布中的条件独立用图的形式表达出来，从而可以把一个概率分布（特定的，和应用相关的）表示为很多因子的乘积，从而简化在边缘化一个概率分布的计算，这里的边缘化指的是给定n个变量的概率分布，求取其中m个变量的概率分布的计算（m<n)。<br />图模型主要有两大类，一类是贝叶斯网络（又称有向图模型）；另外一类是马尔可夫网络（又称无向图模型）。<br />谈到一个图模型，主要有三个主要的关注点
【字节跳动】数据挖掘面试题0017：推荐算法：双塔模型，怎么把内容精准地推送给用户
最新发布
kngines
07-14 1132
摘要： 双塔模型是推荐系统中的高效匹配架构，通过分离的用户塔和物品塔将双方特征编码为向量，并通过相似度计算实现精准推荐。其核心优势在于： 高效性：物品向量可离线预计算，在线仅需快速检索； 灵活性：支持高维稀疏特征（如用户ID、商品标签）的低维稠密表达； 易扩展：动态新增物品无需全模型重训。工业界广泛应用于电商（如阿里“猜你喜欢”）、短视频（抖音召回）等场景。以披萨店为例，双塔模型通过用户特征（年龄、历史订单）和披萨特征（类型、价格）生成向量，匹配分数高的组合优先推荐，实测可将下单率提升133%。关键技巧包括
推荐系统--基于图的推荐算法
JohnBanana的专栏
06-16 5680
基于图的模型（graph−basedmodel ）是推荐系统中的重要内容。在研究基于图的模型之前，首先需要将用户行为数据表示成图的形式。这里我们将用户行为数据用二分图表示，例如用户数据是由一系列的二元组(也可以使用列表)组成，其中每个元组 (u,i) 表示用户 u 对物品 i 产生过行为。下图为 A , B , C 用户感兴趣的音乐： 产生的二分图模型如下： 将用户行为表示为二分图模型后，下面的任务就是在二分图上给用户进行个性化推荐。如果将个性化推荐算...
「顶会综述」基于图模型的推荐系统
abcdefg90876的博客
05-01 3228
作者：刘佳玮，北京邮电大学博士生知乎专栏：https://zhuanlan.zhihu.com/p/137223381前言近几年有很多工作将图模型应用于推荐系统，并为推荐系统带来了更好的...
推荐系统4——图模型（PersonalRank）
u012290039的专栏
04-09 1937
在之前我也看了很多人写的推荐系统的博客，理论的、算法的都有，多是个人的理解和感悟，虽然很深刻，但是对于自己而言还是不成系统，于是我参考大牛项亮编著的《推荐系统实践》将该领域知识系统整理一遍，与大家一起学习。 本系列对应的代码请查看https://github.com/wangyuyunmu/Recommended-system-practice 上一篇总结了基于用户行为数据的推荐方法——隐语义，本...
基于图的模型
Anomynous的博客
05-20 1087
一、用户行为数据的二分图表示（用户物品二分图） 一个二元组(u,i)表示用户u对物品i产生过行为。图中节点由用户和物品组成。每个二元组对应一个边。该边是无向边。 二、基于图的推荐算法 给用户u推荐物品的任务可转化为度量用户定点和与该节点没有边直接项链的物品节点在图上的相关性，相关性越高的物品在推荐列表中的权重越高。 一般来说，衡量图中顶点的相关性主要取决于下面3个方面：两顶点间的路径数（很
基于深度学习的推荐算法——推荐系统模型搭建基础及DeepCrossing原理 深度学习原理.pdf
04-13
"基于深度学习的推荐算法——推荐系统模型搭建基础及DeepCrossing原理" 本资源主要讲解了基于深度学习的推荐算法，包括推荐系统模型搭建基础和DeepCrossing原理。推荐系统模型搭建基础部分主要介绍了使用Keras搭建...
一种基于属性和图神经网络的推荐算法——本科生毕设.zip
08-10
【标题】：“一种基于属性和图神经网络的推荐算法——本科生毕设” 在这个毕业设计项目中，学生将探讨如何利用属性和图神经网络（GNN）来构建一个有效的推荐系统。推荐系统是现代信息技术领域的一个关键组成部分，...
推荐算法——基于用户的协同过滤算法（User-base CF）的java实现
weixin_41823924的博客
06-19 7120
推荐算法——基于用户的协同过滤算法（User-base CF）的java实现推荐系统什么是推荐系统为什么要有推荐系统推荐算法基于用户的协同过滤算法（User-base CF）算法介绍代码实现参考文档 推荐系统 什么是推荐系统 平时见过的推荐系统 为什么要有推荐系统 推荐系统的目的： 帮助用户找到想要的商品（新闻/音乐/……） 帮用户找到想要的东西，谈何容易。商品茫茫多，甚至是我们自己，也经常点开淘宝，面对眼花缭乱的打折活动不知道要买啥。 降低信息过载 互联网时代信息量已然处于爆炸状态，若是将所
算法：图模型
algTopD的博客
01-28 3104
现实场景 图模型在现实中有很多应用场景，例如交通网络、商业交易、通信网络等。一般有四种比较重要的图模型：无向图、有向图、加权图和加权有向图。所谓图是由一组顶点和能够将两个顶点相连接的边构成。 图的相关概念 如果两个顶点通过一条边相连，我们称这两个顶点相邻。子图是由一幅图所有边的子集构成。需要注意的是很多具体问题中是需要识别各种类型的子图。路径是由边顺序连接的一系列顶点。 连通图：如果从这幅图的任意一个顶点都可以找到一条路径达到另外一个顶点，那这幅图是连通图。一个非连通图是由多个连通图构成，每一个连通图都是
推荐系统实践（九）UCG 基于图模型（3元图）（数据源有问题）
HouLei
05-29 848
例子： 比如我利用标签来设计基于图的推荐算法，数据源结构(user,item,tag),在设计用户物品标签三分图时，三分图的结构如下： 其中A,B,C是用户，a,b,c是物品，1,2,3是标签。用户和物品通过标签相连。初始是用户和物品的边的权重为1，如果用户节点和物品节点通过标签已经相连，那么边的权重就加1。而上面的二分图边权重全是1。 对一个三元的数据进行游走，构建模型。 第一项为users...
推荐算法：基于图的算法
LandscapeMi
06-05 1433
@@@a random-walk based scoring algorithm for recommender engines @@@ applying associative retrieval techniques to alleviate the sparsity problem in collaborative filtering 两种推荐方式：图中的用户u对物品i的相近距离直接用于推荐
推荐系统之基于图的模型
Ezail的博客
02-12 1927
本博文将介绍PersonalRank算法，以及该算法在推荐系统上的应用。 将用户行为数据用二分图表示，例如用户数据是由一系列的二元组组成，其中每个元组(u,i)表示用户u对物品i产生过行为。 将个性化推荐放在二分图模型中，那么给用户u推荐物品任务可以转化为度量Uv和与Uv  没有边直接相连  的物品节点在图上的相关度，相关度越高的在推荐列表中越靠前。 图中顶点的相关度主要取决与以下因素： ...
[推荐系统 05] 基于图的推荐算法
iamfishman
07-10 830
基于图的推荐算法 我们很容易就能想到啊，这个推荐的原理实际就是，用户和物品之间的关系。那么用户和物品就可以用图模型来表示。 例如用用户行为数据来构造用户物品的二分图。用户A连接物品1表示，用户A对物品1产生过行为。 有了二分图后，我们的任务实际就转化成了在二分图上给用户进行个性化推荐。推荐的任务又可以转为度量用户顶点与用户没有直接相连的物品节点在图上的相关性，相关性越高的物品在推荐列表中的权重就越高。 如何度量两个顶点之间的相关性？ 顶点的相关性主要取决于下面三个因素： ① 两个顶点之间的路径数； ② 两个
业界盘点|为什么推荐算法都开始结合图神经网络了？
10-01 678
点击上方，选择星标或置顶，每天给你送上干货作者 | 对白出品 | 对白的算法屋编者寄语：本文看完，相信你也能熟练掌握这些基于GNN的推荐模型。大家好，我是对白。 图神经网络（GNN）相信大家也不陌生了，在还没有Graph Embedding之前，节点的属性信息可以通过Item2vec这种序列化Embedding的方式去学习，效果虽然不错，但它忽略了节点的结构信息。而GNN能够自然地整合节点属性信息和拓扑结构信息，因此在许多领域广泛应用。在推荐系统中，目前的主要挑战是从用户-物品交互以及辅助信息中学
python推荐系统学习笔记（5）——基于图的模型推荐算法
yi_xxxx的博客
06-30 1292
python推荐系统学习笔记（5）——基于图的模型推荐算法 2.1 用户行为数据的二分图表示 为可以把基于邻域的模型看作基于图的模型的简单形式。 用户物品二分图模型 对于数据集中每一个二元组(u,i)，图中都有一套对应的边e(vu,vi)，其中vu属于vu 是用户u对应的顶点，vi属于VI是物品对应的顶点。 2.2 基于图的推荐算法 给用户u推荐物品的任务就可以转化为度量用户顶点vu 和与vu没有边直接相连的物品节点在图上的相关性，相关性越高的物品在推荐列表中的权重就越高。 图中顶点的相关性主要因素： 
基于图神经网络的推荐系统
weixin_42863719的博客
04-29 8647
本文基于两篇综述系统地介绍基于图神经网络的推荐系统：A Survey on Knowledge Graph-Based Recommender Systems和Graph Learning based Recommender Systems: A Review
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值