07 facebook熱門標簽排行(facebook怎么帶標簽？)

并沒有考慮 in(v) 的大小，所以可以把 in(v) 加入到上面公式的分母，來降低大v與其他用戶的相似度：

上面介紹了3種計算用戶之間相似度（或稱熟悉度）的計算方法。除了熟悉程度，還需要考慮用戶之間的興趣相似度。我們和父母很熟悉，但很多時候我們和父母的興趣確不相似，因此也不會喜歡他們喜歡的物品。因此，在度量用戶相似度時，還需要考慮興趣相似度，而興趣相似度可以通過和UserCF類似的方法度量，即如果兩個用戶喜歡的物品集合重合度很高，兩個用戶的興趣相似度很高。

最后，我們可以通過加權的形式將兩種權重合并起來，便得到了各個好有用戶的權重了。

有了權重，我們便可以針對用戶u挑選k個最相似的用戶，把他們購買過的物品中，u未購買過的物品推薦給用戶u即可。打分公式如下：

其中 w' 是合并后的權重，s買粉絲re是用戶v對物品的打分。

node2vec的整體思路分為兩個步驟：第一個步驟是隨機游走（random walk），即通過一定規則隨機抽取一些點的序列；第二個步驟是將點的序列輸入至word2vec模型從而得到每個點的embedding向量。

隨機游走在前面基于圖的模型中已經介紹過，其主要分為兩步：（1）選擇起始節點；（2）選擇下一節點。起始節點選擇有兩種方法：按一定規則抽取一定量的節點或者以圖中所有節點作為起始節點。一般來說會選擇后一種方法以保證所有節點都會被選取到。

在選擇下一節點方法上，最簡單的是按邊的權重來選擇，但在實際應用中需要通過廣度優先還是深度優先的方法來控制游走范圍。一般來說，深度優先發現能力更強，廣度優先更能使社區內（較相似）的節點出現在一個路徑里。

斯坦福大學Jure Leskovec教授給出了一種可以控制廣度優先或者深度優先的方法。

以上圖為例，假設第一步是從t隨機游走到v，這時候我們要確定下一步的鄰接節點。本例中，作者定義了p和q兩個參數變量來調節游走，首先計算其鄰居節點與上一節點t的距離d，根據下面的公式得到α：

一般從每個節點開始游走5~10次，步長則根據點的數量N游走根號N步。如此便可通過random walk生成點的序列樣本。

得到序列之后，便可以通過word2vec的方式訓練得到各個用戶的特征向量，通過余弦相似度便可以計算各個用戶的相似度了。有了相似度，便可以使用基于用戶的推薦算法了。

推薦系統需要根據用戶的歷史行為和興趣預測用戶未來的行為和興趣，因此大量的用戶行為數據就成為推薦系統的重要組成部分和先決條件。如何在沒有大量用戶數據的情況下設計個性化推薦系統并且讓用戶對推薦結果滿意從而愿意使用推薦系統，就是冷啟動問題。

冷啟動問題主要分為三類：

針對用戶冷啟動，下面給出一些簡要的方案：

（1）有效利用賬戶信息。利用用戶注冊時提供的年齡、性別等數據做粗粒度的個性化；

（2）利用用戶的社交網絡賬號登錄（需要用戶授權），導入用戶在社交網站上的好友信息，然后給用戶推薦其好友喜歡的物品；

（3）要求用戶在登錄時對一些物品進行反饋，手機用戶對這些物品的興趣信息，然后給用推薦那些和這些物品相似的物品；

（4）提供非個性化推薦。非個性化推薦的最簡單例子就是熱門排行榜，我們可以給用戶推薦熱門排行榜，然后等到用戶數據收集到一定的時候，在切換為個性化推薦。

對于物品冷啟動，可以利用新加入物品的內容信息，將它們推薦給喜歡過和他們相似的物品的用戶。

對于系統冷啟動，可以引入專家知識，通過一定高效的方式快速建立起物品的相關度表。

在上面介紹了一些推薦系統的基礎算法知識，這些算法大都是比較經典且現在還在使用的。但是需要注意的是，在實踐中，任何一種推薦算法都不是單獨使用的，而是將多種推薦算法結合起來，也就是混合推薦系統，但是在這里并不準備介紹，感興趣的可以查閱《推薦系統》或《推薦系統與深度學習》等書籍。此外，在推薦中非常重要的點擊率模型以及基于矩陣的一些排序算法在這里并沒有提及，感興趣的也可自行學習。

雖然現在用的很多算法都是基于深度學習的，但是這些經典算法能夠讓我們對推薦系統的發展有一個比較好的理解，同時，更重要的一點——“推陳出新”，只有掌握了這些經典的算法，才能提出或理解現在的一些更好地算法。

很赞哦!（5）