《推荐系统实践》读书笔记(六）(基于好友关系)

利用社交网络数据

A.哪些渠道

1.电子邮件：冷启动时导入邮件好友；

2.用户注册信息：来自哪个公司，哪个学校；

3.用户位置信息：同一座公司/宿舍的人，可以假设有好友关系；

4.同一个小组或论坛：豆瓣小组（具有相同的兴趣）

5.聊天工具；

6.社交网站：微博（兴趣相似，不一定认识），微信（社会化关系，不一定兴趣相投）；

 

B. 推荐好友们喜欢的物品

1. 增加信任度：用户往往不信任人工智能，往往更信任好友；

2. 解决冷启动：用微博或微信账号登陆时，自带好友圈子；

1. 基于邻域的社会化推荐算法：用户u对物品i的兴趣度 = u的所有好友v之和{u和v的熟悉程度 * v是否对i有过喜欢行为0/1}; u和v的熟悉程度可以综合考虑: a. u的好友集合和v的好友集合的Jaccard距离（共同好友占各自好友之和的比例), b. u喜欢过的物品集合和v喜欢过的物品集合的Jaccard距离（共同喜欢的物品占各自喜欢物品之和的比例）；u的所有好友v集合，可以把以上两种人都包括进来；前一种是熟人关系，后一种是志同道合关系；

2. 基于图：用户都在左，物品都在右，用户和用户之间的边是彼此熟悉程度（熟人关系+志同道合关系），用户和物品之间的边是行为表示的喜欢程度；用PersonalRank算法即可；

好友很可能只是熟人，但不是志同道合有共同兴趣的；

 

C. 给用户推荐好友

1. 基于内容：a.人口统计学信息；b.用户行为（喜欢的物品和发表过的言论等）；c.用户的位置信息（住址,IP,邮编等）

2. 基于共同的兴趣：a. UserCF(通过共同喜欢的物品，共同点赞或转发过的微博等）; b.用户兴趣标签相似度（从用户发表过的言论或点赞转发过的微博朋友圈等提取兴趣标签）

3. 基于社交网络：其实也是UserCF，只是通过共同认识的好友来关联的；共同认识的好友个数/(A认识的好友个数*B认识的好友个数）；根据出度/入度，划分为4种算法：Out-Out, In-In, Out-In, In-Out；其中Out-Out和Out-In评测效果最好；

基于内容的，往往会推荐熟人（比如统统发表过的wiki，共同在同一个部门），新颖度最差，靠谱度最高；

基于共同兴趣的，往往会推荐生人，新颖度最好，靠谱度最低；