珂姐是我的第一个研究生，也是目前国内小组的负责人。这个工作我们从2011年三四月就开始做了，我给出的idea,珂姐和郭老师做的实验并写了初稿，最后我主笔撰写了全文。中间有过几次反复和重新验证，最后验证无误后投稿到了PRE。运气也不错，审稿人很nice，经过一轮审稿就接收了。小小恭喜珂姐一下，我读博士期间的一大心愿就是在PRE能发论文，人家硕士一年级就实现了，羡慕~~~~~~~~~~~~~。

    这篇论文仔细研究了随机游走的方向对于个性化推荐算法的影响，并发现如果考虑从度小用户到度大用户的随机游走，那么协同过滤算法也可以同时在准确性和多样性方面都表现的非常好。经典的协同过滤算法具有很好的推荐准确性，但无法满足不同用户的不同口味——多样性很差。一个普遍的解释是协同过滤算法利用朋友的爱好进行推荐，因此善于推荐流行产品。经过实证统计与分析我们发现其原因有两点：第一，实际系统中度大用户倾向与和度小用户具有共同喜好；第二，经典的基于物质扩散的协同过滤算法赋予度大用户过大的推荐强度。综合两个因素就会发现，算法将度大用户喜欢的产品广泛地推荐到了很多度小用户的推荐列表中，从而导致多样性很差。由于系统中度小用户占绝大多数的比重，因此我们认为应该强化度小用户的推荐强度，即只要将经典随机游走的方向倒过来就可以解决协同过滤算法的推荐多样性问题。数值实验发现，只要改变用户相似性方向，算法就可以产生非常好的推荐准确性和多样性，甚至可以达到PNAS论文混合算法同样的效果。

    尽管操作简单，但效果却很好。本文非常有助于我们理解相似性方向对于推荐系统的影响。