推荐系统召回算法之——图模型（Personal Rank）

Posted 2023-05-09

参考技术A 目录

1、Personal Rank 算法背景

2、二分图的概念

3、文件解析原理及其物理意义

4、PR公式推导

5、python实现

6、总结

Personal Rank算法背景：

用户行为很容易表示为图

图推荐在个性化推荐领域效果显著，UI矩阵就是典型的二分图。

二分图： 又称为二部图，是图论中的一种特殊模型。设G=(V,E)是一个无向图，如果顶点V可分割为两个互不相交的子集（A,B），并且图中的每条边（i,j）所关联的两个顶点i和j分别属于这两个不同的顶点集（i in A，i in B），则称图G为一个二分图。

下面举例并从物理意义角度解析，二分图算法是如何将UI矩阵表示为二分图，计算出Item集合对固定user的重要程度排序?

1、两个顶点之间连通的路径数？

A到c：A->a->B->c；A->d->D->c两条连通路径；

A到e：A->b->C->e一条连通路径

故，A对物品c的偏好程度大于对物品e的偏好。

2、两个顶点之间的连通路径长度？

A->c两条路径4个顶点，连通路径长度都是3；A->e也为3

3、两个顶点之间连通路径经过顶点的初度？

A到c：A->a->B->c：3+2+2+2；A->d->D->c：3+2+2+2

A到e：A->b->C->e：3+2+2+1

算法文字描述 ：对用户A进行个性化推荐，从用户A结点开始在用户物品二分图random walk ，以alpha的概率从A的出边中等概率选择一条游走过去，到达顶点后（例如a），有alpha的概率继续从顶点a的出边中等概率选择一条继续游走到下一个结点，或者（1-alpha）的概率回到起点A，多次迭代。直到所有的顶点对于用户A的重要度收敛。（二分图有且只有一个顶点）

算法公式推导 ：

按照上面UI矩阵的二分图表示法结合算法文字描述，以节点A和a来举例解释公式。

：表示不同节点重要度。

以a为例，公式上部分表示节点a与之相连的节点A和B，分别从各自出边等概率贡献了1/3和1/2的重要度加和后乘以 ， 取经值为0-1之间（经验值0.6）。

以A为例，公式下部分表示与A相连的节点a,b,d，分别从各自的出边等概率贡献了1/2的重要度，同时它们又是直接与A相连的节点，从PR算法文字描述可知，都可以以1- 的概率回到A节点。

公式（1）的矩阵表达方式为： (2)

其中 是n维向量，每一个元素代表一个节点的PR重要度； 也是n维向量，第i个位置为1，其余位置为0，我们就是要为第i个节点进行推荐。其中 是n阶转移矩阵：

 

由（2）进行恒等变形可得

(3)

(4) ，其中 就是所有节点的推荐结果，乘以 就是取出矩阵的第i列。

Python实现： https://github.com/SolodanceMagicq/RecommendSys/tree/master/PersonalRank

总结：

1、personalrank二分图算法，是一种无向图，有且只有一个root顶点。

2、算法核心思想是将UI矩阵以二分图存储，通过顶点按等概率随机游走，迭代计算关联节点pr值的过程。首次迭代只计算推荐用户（root顶点）与其直接关联的节点pr值，然后每次基于上次节点进一步迭代计算关联节点，直至收敛。

3、PersonalRank算法迭代的时间复杂度过高，须进一步优化，工业界一般会借助spark离线计算或mapreduce将多节点并行计算提高计算性能。

推荐系统[七]：推荐系统通用技术架构（Netfilx等）API服务接口

相关文章推荐：

推荐系统[一]：超详细知识介绍，一份完整的入门指南，解答推荐系统相关算法流程、衡量指标和应用，以及如何使用jieba分词库进行相似推荐，业界广告推荐技术最新进展

推荐系统[二]：召回算法超详细讲解[召回模型演化过程、召回模型主流常见算法(DeepMF/TDM/Airbnb Embedding/Item2vec等)、召回路径简介、多路召回融合]

推荐系统[三]：粗排算法常用模型汇总(集合选择和精准预估)，技术发展历史（向量內积，Wide&Deep等模型）以及前沿技术

推荐系统[四]：精排-详解排序算法LTR (Learning to Rank): poitwise, pairwise, listwise相关评价指标，超详细知识指南。

推荐系统[五]：重排算法详解相关概念、整体框架、常用模型；涉及用户体验[打散、多样性]，算法效率[多任务融合、上下文感知]等