对分网络.docVIP

对分网络与推荐系统 对分网络即bipartite network，是一个属于复杂网络研究的对象。在 HYPERLINK /doi/10.1103/PhysRevE.76.046115 \t _blank 这篇文章里，作者第一次把它引入到推荐系统的应用当中。依我来看，这是一种非正统的推荐方法，又是去年新发表的文章，兼且我对作者的思路也有一些了解，所以想拿出来介绍一下。 所谓正统的推荐方法，可以参考这里的 HYPERLINK /2008/01/2008-edition.html \t _blank 概述。发展到现在，比较成熟常用的推荐方法主要可分类为：1、contented-based；2、collaborative filtering；3、hybrid method。又有以：基于个人历史的推荐、基于社会化的推荐、基于产品的推荐这样的 HYPERLINK /articles/view/thunder/361 \t _blank 分法。无一例外地，以描述用户的兴趣为出发点，通过不同的搜索策略，最后落脚于对用户未来兴趣的预测。与以往不同的是，这篇文章从开始就以网络模型为研究的基本对象，而非网络中的节点，出发点在于网络特性的研究，在解决了对分网络加权映射的问题之后，有点生产副产品意味地把方法应用在推荐系统上。作者是我的校友，在学期间我也曾经听过他的几次报告，他属于典型的具有理科思维的人。其物理背景加上一个研究复杂系统、复杂网络的团队，造就了作者喜欢从模型的高度，而非从具体某个问题出发思考的习惯。所以我觉得这篇文章对于冲淡以往已成定势的推荐系统思维方式，是有好处的。 什么是对分网络 如果我们把网络理解为描述现实世界对象间某种关系的数学模型，对分网络就是描述这样的一种特殊的关系：对象可以分为两个集合，如X与Y，关系（即网络的边）仅仅存在于不同集合的节点之间，同一个集合内的节点不存在直接连接，而是通过另一个集合而产生间接关联。这是一种具有广泛意义的模型，如不同作者通过共同撰写的文章所形成的合作关系；化学物质与化学反应所组成的新陈代谢网络；豆瓣上不同的读者因看一样的书而形成的阅读同好网络；amazon上不同用户因购买共同的商品所构成的购买兴趣网络等等。 对分网络的单模态映射与赋权 要???得对分网络具有应用价值，通常要得到同一个集合内元素之间存在的关系，研究上这叫作对X（或Y）的单模态映射（one-mode projection）。这种映射的结果不单可以实现数据的压缩，并可同时得到极具意义的同一集合内各节点之间的关系。例如，得到“阅读同好网络”中各个用户之间的兴趣相似度或是书籍之间的相似度，自然要比原始的对分网络更有价值。怎样给节点的连接边加权是单模态映射及其应用中关键的问题，因为边的权值意味着两个节点关系的密切程度。比较常见的映射方法可参看图1：对于集合X中的节点x(i)与x(j)，如果它们共同地连接了n个Y集中的节点，则x(i)与x(j)的连接权值为n。但这种方法存在着很多的问题，例如：x(i)与x(j)的连接权值随着n的增加而呈线性增长的趋势，但这并非一种符合现实的描述方式，其实我们可以设想两个作者共同合作的文章数从1增长到2，其意义当然是比从100增长到101要更大，所以有人提出要采用双曲正切函数而非线性函数来对n进行映射。这些方法我在这里都不再赘述，只介绍作者在文中提出的比较好的一个解决方案：资源－分配过程，来处理这个赋权的问题。 图1，对分网络的单模态映射 资源－分配过程（resource-allocation process）见图2，（a）是一个对分网络，上面的三个节点构成一个集合，下面的四个节点构成另一个集合。设上面三个节点的初始资源值为x, y, z，第一步这些资源根据连接关系流动到另一个集合中（b），流动过程中某节点的资源根据它的“出度”（即从该节点出发的边）而被稀释，如x有三个“出边”，则每一个终点都得到了x/3。在资源分配到下面四个节点后，第二步，把资源再流回原来的集合，遵循的原则与第一步是一致的。这样就得到了原集合最终的资源分配，这个分配是通过两个集合之间的共同连接关系所实现的再分配，携带了这个网络的拓扑结构信息。对比原资源与最终的资源值，我们可以得到一个矩阵的映射关系，见图3。这就是资源－分配过程的结果，得到一个从原始资源到最终资源的映射结果。矩阵中w(i, j)所代表的意义为：对于i来说，j有多大的价值。这实质上实现了给节点i与节点j的连接赋权这么一个任务。 图2，资源－分配过程 图3，资源－分配过程后的映射矩阵 个性化推荐 到目前为止，我们都只是解决了对分网络中权值分配这么一个问题，最后我们关注的是这么一个问题的解决对于推荐系统有些什么帮助。根据上面介绍的模型与流程，可