摘  要：PersonalRank就是一种基于随机游走的图推荐算法。传统的PersonalRank算法是在PagePank算法的基础上进行了改进，但依旧存在个性化推荐召回率和准确率不高，过度偏重同物品中其他用户操作的问题，导致覆盖率不高。现针对PersonalRank问题，文章从推荐系统评测指标的覆盖率、召回率和准确率三个维度出发，加强算法发掘长尾的能力，同时提高推荐结果的用户满意度。

关键词：信息资源;图推荐算法;PersonalRank;长尾

中图分类号：TP391    文献标识码：A文章编号：2096-4706（2021）15-0025-04

Abstract： PersonalRank is a graph recommendation algorithm based on random walk. The traditional PersonalRank algorithm is based on the changes made by pagepank algorithm， but there are still problems of low recall and accuracy of personalized recommendation and excessive emphasis on the operation of other users in the same item， resulting in low coverage. Aiming at the PersonalRank problems， the paper starts from three dimensions of the evaluation indicators of the recommendation system： coverage， recall and accuracy， strengthens the ability of algorithms to discover long tail and improves the user satisfaction of the recommendation results.

Keywords： information resources; graph recommendation algorithm; PersonalRank; long tail

0  引  言

随着互联网与高新技术的发展，我们正身处高度信息化的时代，每天互联网上产生的信息数据正以惊人的速度增长。但Internet给用户带来丰富信息资源的同时，也阻碍了用户快速找到自己所需的信息。虽然用户通过在百度、谷歌等搜索框中输入关键字能够展现出其所需的内容，但由于缺少用户的偏好数据，搜索出来的内容不能很有效地过滤出垃圾数据。为了响应这种用户对高质量的用户信息服务的需求，产生了很多个性化推荐算法。诸如基于用户的推荐算法[1]，基于物品的推荐算法[2]，或者是基于图模型的推荐算法[3]等。

个性化推荐就是运用推荐算法，从海量数据中筛选出用户所需但不易搜索出来的结果，也就是获取所需数据的效率。由于现代化的迅猛发展，体现出用户个性化服务的要求日益增加，在电商领域、在金融以及在医疗等与人们息息相关的各个领域都充斥着个性化的影子。例如：金融系统根据个人……