参考：贝叶斯个性化排序(BPR)算法小结 - 刘建平Pinard - 博客园 参考：矩阵分解在协同过滤推荐算法中的应用 - 刘建平Pinard - 博客园 BPR算法使用背景 　   在很多推荐场景中，我们都是基于现有的用户和商品之间的一些数据，得到用户对所有商品的评分，选择高分的商品推荐给用户，这是funkSVD之类算法的做法，使用起来也很有效。但是在有些推荐场景中，我们是为了在千万级别的

一、贝叶斯公式 朴素贝叶斯思想： 对于待分类的项，求解在此项出现的条件下其他各个类别出现的概率，哪个最大，就认为此项属于哪个类别 定义 贝叶斯定理是关于随机事件 A 和 B 的条件概率： 其中P(A|B)是在 B 发生的情况下 A 发生的可能性。 在贝叶斯定理中，每个名词都有约定俗成的名称： P(A)是 A 的先验概率，之所以称为“先验”是因为它不考虑任何 B 方面的因素。P

本文提出了一种简单而有效的基于LLMs的图数据增强策略，称为LLMRec，以增强基于内容的推荐系统。LLMRec包含三种数据增强策略和两种去噪策略。数据增强策略包括从文本自然语言的角度挖掘潜在的协同信号, 构建用户画像(LLM-based), 并强化item side information(LLM-based)。去噪则是分别针对增强的边和特征来进行drop和masked auto-encoder