社交网络的好友推荐

我们平时光计算用户的关系亲密度，比如两者的SNS互动次数、媒介场景关系度、地理位置相关度，这些缺陷都很依赖用户之间的活跃程度。后来又有人提出了好友的好友、圈子、共同兴趣、共同话题等方面角度进行研究。实际场景中我们也是会结合 “社交”+“兴趣”两点平衡，找到一个比较融合的权衡，推荐用户感兴趣的content。

1、计算共同好友比例

缺点也是显而易见的, 如果用户好友人数不够多, 那么无论是为其推荐其他好友或者将其推荐给其他人都会变得很难。其次是该算法只是关注“ 人” 的因素而忽略了其他因素, 可能影响所推荐好友的准确性。

最简单的好友推荐算法是为用户推荐共同好友数最多的用户。其基本思想是, 用户之间的共同好友越多, 则他们越可能是好友。由于这种方法受用户好友总数影响较大, 因此通常根据共同好友比例计算相似度来推荐好友。

采用出度的方法, 用户u和用户v的共同好友比例fuv表示为:

其中, out(u)表示用户u关注的用户集合, out(v)表示用户v关注的用户集合。out(u)∩ out(v)表示两个集合的交集。|out(u)|和|out(v)|分别表示集合out(u)和out(v)的元素个数。

2、互动次数

社交网络中用户之间的互动包括消息、评论、转发和收藏等形式，为了简化计算, 这里对消息、评论和转发取相同权重。

用户u与用户v之间的互动情况iuv可以用两者之间互动次数占用户u和用户v全部互动行为的比例来表示, 本文提出的互动比例计算方法如下:

其中, interact(u, v)表示用户u对用户v的互动次数, interact(u)表示用户u对所有用户的总互动次数。两用户之间互动次数用单向互动次数的平均值表示。

3、社交兴趣度
4、兴趣相似性

 通常从用户的内容数据中抽取关键词作为标签或者是根据标签之间的相似度做一些关键词扩展。本文运用现有知识计算兴趣相似度。用关键词向量描述兴趣, 用TF-IDF公式计算关键词权重, 用关键词向量之间的余弦相似度表示兴趣相似度。

N为用户总数, ni为包含ei的用户数目。

用户之间的兴趣相似度可以通过兴趣特征向量之间的余弦相似度计算如下:

兴趣图谱是动态的, 其变化通常会反映在历史行为中。兴趣图谱反映了用户的兴趣偏好,

社交兴趣度和兴趣相似度分别按最大值归一化。

综合社交关系和兴趣偏好的最终评分可表示如下:

其中, β 是改进的好友推荐算法的可调参数, 表示最终评分中社交因素的权重, β 取值范围为[0, 1], 本文实验中β 取0.5。s(u, v)为社交兴趣度。w(u, v)为兴趣相似度。

实验比较了基于共同好友比例、基于兴趣相似度、基于共同好友比例和兴趣相似度以及基于社交和兴趣相似度4种好友推荐算法的性能。