利用社交网络数据

        基于社交网络的推荐可以很好模拟现实社会，因此本文简单介绍下如何利用社交网络数据进行个性化推荐。一般获取社交网络数据的途径有电子邮件、用户注册信息、用户的位置数据、论坛和讨论组、即时聊天工具和社交网站（又分为以社会身份为主的社交图谱和以兴趣为主的兴趣图谱）。

        社交网络数据一般分为三类，一类是双向确认的社交网络数据（如qq好友），一类是单向关注的社交网络数据（如微博关注），另一类就是基于社区的社交网络数据（如贴吧）。

        社会化推荐之所以受到很多网站的重视，主要由于：一是好友推荐可以增加推荐的信任度；二是社交网络可以解决冷启动问题（可以把新用户的好友喜欢的物品推荐给新用户）。

1. 基于邻域的社会化推荐算法

        最简单的算法是给用户推荐其好友喜欢的物品集合。用户u对物品i的兴趣Pui可以通过如下公式计算：

其中out(u)表示用户u的好友集合，rvi表示用户v对物品的感兴趣程度，一般如果用户v喜欢物品i 取值为1，反之为0。但是不同的好友其熟悉程度和兴趣也是有区别的，因此可改写公式为：

其中wuv由两部分组成，一部分是用户u和用户v之间的熟悉程度（通过共同好友的数量来衡量），另一部分是用户u和用户v的兴趣相似度（通过共同喜欢的物品数量来衡量）。计算公式如下。

其中N(u)表示用户u喜欢的物品集合。

        该算法虽然看起来简单，但是在实际系统中却是很难操作的，主要是因为该算法需要拿到用户所有好友的历史行为数据，这些记录一般很庞大，很难都放在内存中，另一方面对于实时查询也比较困难。一般有两种解决办法，第一种是两处截断，第一处截断是只选取相似度较高的n个好友，第二处截断是只选取好友的近期行为数据；第二种解决办法是重新设计数据库，为每个用户设计一个信息墙。Twitter关于社会化推荐的思路大致如下：

（1）首先为每个用户维护一个消息队列，用于存储他的推荐列表；

（2）当一个用户喜欢一个物品时，就将（物品ID、用户ID和时间）这条记录写入到关注该用户的推荐列表消息队列中；

（3）当用户访问推荐系统时，读出他的推荐列表消息队列，对于这个消息队列中的每个物品重新计算该物品的权重。计算权重时需要考虑物品出现的次数、物品对应的用户和当前用户的熟悉程度、物品的时间戳。同时计算出每个物品被哪些好友喜欢过，用这些好友作为物品的推荐解释。

        与协同过滤推荐相比，社会化推荐虽然准确率和召回率较低，但其说服力较强。

2. 给用户推荐好友

        好友关系是社会化网站的重要组成部分，如果用户的好友很稀少，就不能体验到社会化的好处，因此好友推荐也是社会化网站的重要应用之一。一般可以从以下几个方式进行好友推荐。

（1）基于内容的匹配

        内容属性主要包括：用户人口统计学属性（年龄、性别、学校、工作单位等）、用户的兴趣（喜欢过的物品或者发表过的言论）、用户位置信息等。

（2）基于共同兴趣的好友推荐

（3）基于社交网络图的好友推荐

        主要通过计算用户间的相似度来推荐，计算公式有以下三种。

对于用户u和用户v，利用共同好友比例来计算相似度（out(u)表示用户u关注的用户集合）。

对于用户u和用户v，利用共同粉丝比例来计算相似度（in(u)表示关注用户u的用户集合）。

第三种计算方式为

该计算方式会导致所有人都与名人有很大的相似度，因此修正公式为

.