《推荐系统实践》算法纯享（附代码链接）（六）—— 借助社交网络推荐篇

在上一篇博客里面分享的是《推荐系统实践》中上下文推荐相关的推荐算法，对此还不熟悉的读者可以戳这里。

关于这个系列会分为如下几个部分：

《推荐系统实践》算法纯享（附代码链接）（一）—— 评价指标篇
《推荐系统实践》算法纯享（附代码链接）（二）—— 协同过滤篇
《推荐系统实践》算法纯享（附代码链接）（三）—— 冷启动篇
《推荐系统实践》算法纯享（附代码链接）（四）—— UGC推荐篇
《推荐系统实践》算法纯享（附代码链接）（五）—— 借助上下文信息推荐篇
《推荐系统实践》算法纯享（附代码链接）（六）—— 借助社交网络推荐篇
《推荐系统实践》算法纯享（附代码链接）（七）—— 评分预测篇

完整代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice

下面将开始本系列的第六部分——借助社交网络推荐篇。

6 社会化推荐

6.1 利用社交网络信息推荐

利用用户的社交网络数据进行推荐，主要是源于：

1. 好友推荐可以增加推荐的信任度
2. 社交网络可以解决冷启动问题

6.1.1 基于邻域的社会化推荐算法

最简单的方法是给用户推荐好友喜欢的物品集合，用户u对物品i的兴趣$p_{u}i$可以通过如下公式计算：

$p_{ui}={\sum }_{v\in out(u)}{r}_{vi}$

其中$out(u)$是用户u的好友集合，如果用户v喜欢物品i，则$r_{v}i=1$，否则$r_{v}i=0$。

当然，不同好友之间的熟悉度和兴趣相似度是不一样的，因此应该在推荐的时候把这个考虑在内：

$$p_{ui}=\sum _{v\in out(u)}{w}_{uv}{r}_{vi}$$

这里的$w_{uv}$由两部分相似度构成，一部分是用户u和用户v的熟悉程度，另一部分是用户u和用户v的兴趣相似度。

其中，用户u和用户v的熟悉程度由如下公式度量，即他们之间的共同好友比例：

$$familiarity(u,v)=\frac{|out(u)\bigcap out(v)|}{|out(u)\bigcup out(v)|}$$

而用户u和用户v的兴趣相似度由如下公式度量，即他们喜欢的物品重合度：

$$similarity(u,v)=\frac{|N(u)\bigcap N(v)|}{|N(u)\bigcup N(v)|}$$

6.1.2 基于图的社会化推荐算法

用户的社交网络可以表示为为社交网络图，用户对物品的行为可以表示为用户物品二分图，而这两种图可以结合成一个图。如下图所示：

在定义完图中的顶点和边后，需要定义边的权重。其中用户和用户之间边的权重可以定义为用户之间相似度的$\alpha$倍（包括熟悉程度和兴趣相似度），而用户和物品之间的权重可以定义为用户对物品喜欢程度的$\beta$倍。

在定义完图中的顶点、边和边的权重后，就可以利用前面几章提到的PersonalRank图排序算法给每个用户生成推荐结果。

6.2 给用户推荐好友

代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice/blob/master/Chapter6/为用户推荐好友.ipynb

这里主要介绍基于社交网络图的好友推荐，最简单的方法是给用户推荐好友的好友。主要用来给用户推荐他们在现实社会中互相熟悉，而在当前社交网络中没有联系的其他用户。

有下面几种方法计算相似度：

1. $w_{out}(u,v)$

对于用户u和用户v，用共同好友比例计算相似度：

$$w_{out}(u,v)=\frac{|out(u)\bigcap out(v)|}{\sqrt{|out(u)||out(v)|}}$$

其中$out(u)$是在社交网络图中用户u指向的其他好友的集合。

2. $w_{in}(u,v)$

也可以定义$in(u)$是在社交网络图中指向用户u的用户集合，此时可以定义另外一种相似度：

$$w_{in}(u,v)=\frac{|in(u)\bigcap in(v)|}{\sqrt{|in(u)||in(v)|}}$$

3. $w_{out,in}(u,v)$

这个是用户u关注的用户中，有多大比例也关注了用户v：

$$w_{out,in}(u,v)=\frac{|out(u)\bigcap in(v)|}{\sqrt{|out(u)|}}$$

4. $w_{out,in}^{{}^{\prime }}(u,v)$

上面公式的一个缺点在于，所有人都和名人有很大的相似度。因此可以用如下方法改进：

$$w_{out,in}^{{}^{\prime }}(u,v)=\frac{|out(u)\bigcap in(v)|}{\sqrt{|out(u)||in(v)|}}$$

对于借助社交网络推荐部分的介绍就到这里，下面将继续分享第七部分——评分预测算法。