基于社区划分和用户相似度的好友推荐

社交型网络（SNS, Social Networking Services）以六度分割理论[1]为基础，构建好友圈并通过“好友的好友”来无限扩张人脉。社交网络在近几年获得了空前的发展，像国内的校内网，开心网已经聚集了几千万的用户。SNS 特别之处在于维护朋友关系，增进友谊，并拓展交际圈，以用户之间的黏性来保持用户和SNS 的黏性。用户虽然也可以设置过滤条件搜索得到符合特定条件的用户群组，但是由于庞大的用户基数，在通常情况下搜索得出的用户群组其中大部分对特定用户来说都是冗余的，而不是将与特定用户熟悉的可能成为好友的用户搜索出来，不能给用户拓展社交圈带来方便。而为用户拓展社交圈正是大型社交网络吸引用户，保证网络活力的基本功能。对此，本文提出一种基于社区划分和用户相似度的好友推荐方法，从大量的用户群体中为特定用户寻找可能性高的潜在好友并推荐给用户。
　　现在大部分推荐的文章着眼于基于相同或相似的用户兴趣向用户推荐物品，主要有内容过滤和协作过滤[2]两种方法。内容过滤基于用户描述的兴趣和用户行为建立用户兴趣模型，然后与目标项目做相似度分析得出推荐结果。协作过滤的基本思想是根据用户的项目评分得出和目标用户有相似兴趣的邻居用户，再利用邻居用户对目标项目的评分产生推荐。由于本文中推荐给用户的是用户的好友，与物品是截然不同的两种类型，所以以上的好友推荐并不适合。
　　就此，文献[3]提出了按照好友之间的互动次数衡量两者的亲密度，互动次数越多也就说明了两者之间关系越好，如果两个用户同时对第三个用户亲密度都高则说明他们都与第三个用户有很好的关系，这样他们就可能建立起新的好友关系。但是虚拟社交网络中的互动次数并不能完全正确的反应两者之间的关系，如两个用户因为做某件事情产生的交互较多但在现实世界中他俩可能并不熟，再者有的用户性格活跃产生的交互也多但这并不能说明他与别人关系都亲密。文献[4]中的用户之间的互动并不仅仅局限于好友，而是根据任意两个用户之间通过手机交互次数来进行推荐，根据用户交互来推荐的缺陷如上所述。文献[5，6]按照用户关注的blog 或用户去过的地方分析出用户的兴趣模型，由模型得出用户兴趣的相似度而发现潜在好友。仅仅从用户的爱好角度出发而忽略了在好友推荐中非常重要的用户之间的关系。文献[7]提出按照用户关系先建立完全子图，子图满足任何两个用户中都是具有好友关系的，接着子图之间按照共同用户数进行合并得出的图中必然有用户之间还未建立好友关系从而产生推荐。虽然利用了用户之间的关系，但没有与对推荐列表中的每一个用户成为好友关系的可能性进行量化，所以对推荐列表中的所有用户的推荐力度是相同的，并没有按照成为好友的可能性大小的不同而有不同的推荐力度。文献[8]根据用户的长相来推荐，虽然适用于婚恋类的社交网络，但是局限性太大，在大部分的社交网络中并不能产生有效的推荐。
　　综合以上方法的优缺点，本文提出了一种基于社区划分和用户相似度的好友推荐方法。
　　该方法首先按照人与人之间的关系建模为一个无向无权图，图中的节点表示用户，边表示用户之间已经建立的好友关系。再将由所有用户关系构成的社会网络图划分成一个个的子簇，满足簇内的用户之间联系紧密，而簇间的用户联系稀疏的特点。在簇内按照用户社会关系即建立的好友关系得出两两用户之间的相似度，按照得出的相似度的数值来产生推荐。上述方法主要用于用户数量庞大的社交网络中，相似度来量化两个用户之间的熟悉程度以及成为好友的可能性。一般来说，用户只有可能与社交网络中很少的一部分用户成为好友，而且与用户成为好友可能性最大的都来自用户所在的社交圈，与其他大部分社交圈中的用户成为好友的概率比较低。所以，用社区划分的方法得出用户所处的社交圈，再为社交圈中的用户计算两两之间的相似度，不仅降低了时间复杂度也提高了推荐结果的准确性。