Intro
Some research
Recommending Random walks
Published: Sep 7th 2007 Conference: Foundations of Software Engineering
ItemRank
Published: Jan 6th 2007 Conference: International Joint Conference on Artificial Intelligence
使用movielen数据集评测，评分范围为1-5。其中80%的打分数据用于训练，剩余20%用于测试。
Data Model 提到一个Correlation Graph的概念，
Algorithm 传播算法的两个属性：propagation(扩散) and attenuation(信号衰减) 第一点：如果一个电影\(m_k\)，和一两部用户\(u_i\)喜爱的电影相关，那么将\(m_k\)推荐给用户是个不错的选择。 第二点：某节点的影响力沿着图进行扩散，随着距离变远，影响力也应相应衰减
pageRank是一个典型符合上述两个属性的传播算法之一，迭代公式如下：
$$PR = \alpha \cdot M \cdot PR + (1 - \alpha) \cdot d $$
Complexity
Experimental Results
Network-based recommendation algorithms: A review
Published: Conference:
一篇比较新的综述，对基于网络的推荐算法进行总结，并在三个数据集上对性能指标进行评测。
首先根据用户行为数据转换
该方法是基于user-item二部图的简单随机游走，对于某用户u，将二部图转换成一个item-item大小的矩阵M，根据u的连边信息计算item的分数列表。
Probabilistic spreading (ProbS)： two-step spreading process 过程示意如下图：![]()
公式为：
probs实质上是一个user-based collaborative filtering算法。它的优势是通过数次的游走迭代可以更好的学习到用户方面的特征。
Heterogeneous initial configuration method (Zhou, 2008). probs的变种之一，通过改变初始化时各个item的分数（原来是初始化为1，改为1/用户互动数），惩罚流行item的影响力，item power由原来的\(k\alpha\) 变为\(k\alpha^(1+\theta)\)，\(\theta\)通常取值为-0.8。
Elimination of redundant correlations (Zhou, 2009) 随着迭代的增加，衰减矩阵W
Unequal resource allocation method (Run-Ran, 2010) 对W矩阵进行修改
Heat spreading method (HeatS)和ProbS-HeatS hybrid method (Zhou, 2010) 和Probs的想法很相似，Probs是对源点的度数进行平均后传播，而Heats是对目标点的度数进行平均后传播。
Self-avoiding forward and backward propagation (Blat- tner, 2010)
Random walk for alleviating the sparsity problem in collaborative filtering
Published: Oct 23rd 2008 Conference: Conference on Recommender Systems
文中提出了一个item-oriented的方法，Random Walk Recommender, 可以一定程度解决数据稀疏问题。
用转移概率矩阵，代替item-item的相似性。
Efficient routing on finding recommenders for trust-aware recommender systems
Published: Feb 20th 2012 Conference: International Conference on Ubiquitous Information Management and Communication
提出了一种新的路由方法，除了打分矩阵，一个user-user矩阵(trust)也作为系统的输入。