《推荐系统实践》第6章:利用社交网络数据的推荐系统

简介

社会图谱-》society（社会）
兴趣图谱-》community（社区）

数据集分为三种：双向确认、单向关注和基于社区的（如豆瓣小组）。

推荐算法

1. 基于邻域的社会化推荐算法

用户u对物品i的兴趣：
$$p_{ui}=\sum _{v\in \text{ out }(u)}{r}_{vi}$$
考虑不同好友的权重：
$$p_{ui}=\sum _{v\in \text{ out }(u)}{w}_{uv}{r}_{vi}$$
权重=用户熟悉度+兴趣相似度
$$\text{ familiarity }(u,v)=\frac{|\text{ out }(u)\cap \mathrm{out}(v)|}{|\text{ out }(u)\cup \mathrm{out}(v)|}$$
$$\text{ similiarity }(u,v)=\frac{|N(u)\cap N(v)|}{|N(u)\cup N(v)|}$$

2. 基于图的社会化推荐算法

添加了社群以后的图，感觉这种建模方式可以用在社区发现上。

Twitter架构-》社会化推荐系统：

• 为每个用户维护一个消息队列，存储其推荐列表；
• 当一个用户喜欢一个物品后，就将记录写入关注该用户的推荐列表消息队列中；
• 当用户访问时，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。考虑物品在队列中出现的次数（行为数据），物品对应的用户和当前用户的熟悉程度（社交信息），物品的时间戳（上下文信息）。

信息流推荐

Facebook的EdgeRank：edge为其他用户对当前用户信息流中的会话产生过行为的行为。
还有一种结合用户的社会兴趣和个人兴趣进行推荐。

给用户推荐好友

=链接预测。
推荐阅读文章：Link Prediction in Social Network

方法：基于内容匹配、基于共同兴趣、基于社交网络的好友推荐。

3种基于社交网络的好友推荐算法：

• 对用户uv，通过共同好友计算相似度：

$w_{\text{out }}(u,v)=\frac{|\text{ out }(u)\cap \mathrm{out}(v)|}{\sqrt{|\mathrm{out}(u)||\mathrm{out}(v)|}}$

• 指向用户的用户群的相似度：

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

• 用户u中关注的用户有多少关注了v：

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