**：
推薦中對graph model的研究主要有兩個方面，乙個是如何構圖，另乙個是如何在圖上做ranking。
關於構圖問題，取決於資料，首先考慮如果我們只有user item的資料，那麼最簡單的方法就是構造二分圖，兩類節點，user節點和item節點，如果user喜歡item，就在他們中間連一條邊。
如果我們有了使用者的profile資訊，和item的content資訊，這個時候又有了很多構圖的方法。一種方法是用這些資訊計算出user-user相似度和item-item相似度，然後把這些相似度作為權重，來給user節點之間，和item節點之間加邊，這個稱為two-layer graph model。相關的可以參考下面兩篇**：
1. a graph-based recommender system for digital library
2. a graph model for e-commerce recommender systems
當然，如果這些額外資訊比較單一，比如我們有tag資訊，我們可以構造乙個3分圖，加入tag節點，如果乙個item有某個tag，那麼他們之間有邊，如果乙個user用過某個tag，那麼他們之間也有邊。 如果是社會網路資訊，我們可以直接將社會網路關係加入到user-user之間。如果我們有user參加某些group的資訊，我們可以加入一類group節點，如果乙個user參加過乙個group，在中間就會有一條邊。
基本的構圖思想就是上面這些，下面討論圖的rank問題。
圖上的rank，分為三大類：
一類是基於圖上的隨機遊走，一般用迭代法，速度很快，相關的**有：
1.topic-sensitive pagerank
2.trustwalker: a random walk model for combining trust-based and item-based recommendation
還有周濤發表的一些**，二分圖上的擴散等
另一類是把推薦的問題看做乙個半監督學習的問題，從而用傳播的演算法，最經典的是下面這篇博士**
semi-supervised learning with graphs
這篇文章的作者是用圖做半監督學習的權威
上面僅僅列舉了graph model中最經典的一些演算法，如果深入研究這些**，可以對graph model有個大概的認識。
推薦系統實踐 好的推薦系統
一 好的推薦系統 1.什麼是推薦系統 從某種意義上說，推薦系統和搜尋引擎對於用語來說是兩個互補的工具。搜尋引擎滿足了使用者有明確目的時的主動查詢需求，而推薦系統能夠在使用者沒有明確目的的時候幫助他們發現感興趣的內容。分為社會化推薦，基於內容的推薦和基於協同過濾的推薦。目前廣告投放的技術主要分三種 上...
推薦系統 推薦系統的常用演算法概述
前一陣子準備畢業 的開題，一直在看推薦系統相關的 對推薦系統有了乙個更加清晰和理性的認識，也對推薦演算法有了深入了解。藉此機會總結分享一下，大家多多拍磚。推薦系統的出現 隨著網際網路的發展，人們正處於乙個資訊 的時代。相比於過去的資訊匱乏，面對現階段海量的資訊資料，對資訊的篩選和過濾成為了衡量乙個系...
有名的推薦系統 推薦系統理論
前面我們都一直在講各種資料結構和重點排序演算法，今天我們來換一種口味吧，那就是有名的推薦演算法 1 推薦演算法 實際上解決推薦這個問題，不需要太多的理論,解決思路的核心思想非常簡單,a 乙個是基於使用者進行推薦 換種說法就是尋找和你口味差不多的人,進行相互推薦 b 乙個是基於商品進行推薦,換句話說就...