论文阅读笔记：Social Collaborative Filtering for Cold-start Recommendations

论文：Social Collaborative Filtering for Cold-start Recommendations / 用户冷启动推荐的社会化协同过滤
作者：Suvash Sedhain, Scott Sanner, Darius Braziunas, Lexing Xie, Jordan Christensen
发表刊物：RecSys
发表年度：2014
下载地址：http://users.cecs.anu.edu.au/~ssanner/Papers/recsys14.pdf

这篇文章研究了在在线零售环境中如何基于有限的辅助信息（如人口统计学信息——性别、年龄、位置，或社交网络信息——Facebook好友关系、喜欢的页面等）进行用户冷启动推荐的问题，具体地，作者在基于产品的协同过滤算法的基础之上，设计了一个能够融合用户社交辅助信息的用户冷启动推荐框架。

1、背景

用户冷启动问题是在线零售平台中一种常见的问题，缓解用户冷启动问题对于用户首次参与体验及用户忠诚度有重要作用。传统的协同过滤方法不能解决用户冷启动问题，一些基于内容或基于用户过滤的方法使用用户的内容信息来粗粒度地刻画用户的偏好，这些方法往往只是比基于产品流行度的推荐算法效果稍好，不能满足实际需求。最近出现了一些基于用户社交信息的研究，如利用用户在Facebook上的个人信息和社交网络信息预测用户的特征以及为用户做推荐，这些研究证明了在推荐相关研究中社交信息的有用性。基于以上分析，作者提出了自己的建模思路：

 2、模型

作者使用基于产品的协同过滤方法设计了社会化协同过滤方法：

 基于产品的协同过滤方法的思路是：首先基于训练用户和产品的交互历史计算出产品的相似性，然后基于目标用户的交互记录和产品之间的相似性计算出目标用户对所有产品的喜好程度，再排序产生推荐列表；

作者提出的社会化协同过滤进行用户冷启动推荐的思路是：首先基于训练用户的社交内容数据计算出内容和产品的相似性，然后基于目标用户的内容和产品之间的相似性计算出目标用户对所有产品的喜好程度，再排序产生推荐列表。

在上述社会化协同过滤框架下，作者定义了4种相似度计算指标：

3、实验

作者使用的是Kobo的内部数据，数据包括：30000用户、80000+电子书、超过900万社交关系以及超过600万网页，在此基础上做了一些预处理工作。实验中作者用到的社交内容信息分别为用户人口统计学信息、用户的社交网络信息以及用户喜欢的Facebook页面信息，对比算法为most popular，即根据产品流行度进行推荐的非个性化推荐算法。

 实验证明使用用户喜欢的Facebook页面信息做用户冷启动推荐效果最好，此外两个相似性度量指标均使用cosine similarity时效果最好，因此该模型也称为Cos-Cos，此外作者还做了几组鲁棒性分析。

4、实现

该模型的实现逻辑很简单，这里就忽略了。