社会化推荐系统浅谈

『文章首发于微信公众号"机器学习与推荐算法"，欢迎关注、欢迎交流』

零、写在前面

这是一篇关于社会化推荐的分享，欢迎大家批评指正。

不知道大家有没有这样的感觉，本人一直觉得社交网络这个东西是一个很有意思的玩意儿，起初觉得它有意思也可能是由于这个可爱的名词-Social Network，也可能是被五颜六色的社交网络示意图所吸引，总之并没有什么高大上的名词来解释我对于它的喜爱。也正是由于这种莫名的好感，基于社交网络的推荐系统也成了我后来硕士阶段研究的课题。随着后续学习与研究的深入，逐渐了解到了社交网络中包含的有意思的结论以及所蕴含的强大知识，也更加确定了自己对于这一领域的喜欢。

推荐系统研究的是两个对象（人与物）以及两者之间联系的学科。更具体地说，就是需要科学的建模用户画像、物品画像，以及如何设计高效的匹配算法（函数）来为特定的用户挑选出合适的物品，因此也可以形象的理解为“两点一线”，“两点”即为用户和物品，“一线”为连接用户和物品之间关系的函数。传统的推荐系统不得不从骨感的用户-物品交互数据中学到这“两点一线“，因此在学习的过程中不得不面临数据稀疏和冷启动的问题。

社交网络分析研究的是人与人之间相互作用、相互连接以及相互影响的理论。作为传统并骨感的数据的有效补充，社交网络可以丰富从骨感数据中学到的用户画像，以及增强用户与物品之间关系的函数，从侧面丰富了”两点一线“。因此结合社交网络的推荐可以理解为通过利用社交网络分析技术来更好的理解人与人之间的行为、关系等机理以此来更好的为合适的人找到合适的物品。

一、首先，我们介绍利用有趣的社交网络分析结论来结合到传统推荐中，以此来更好的建模用户画像以及用户-物品连接函数。

• 同质性和社会影响

大多数前期的社会化推荐论文都是基于此理论（同质性和社会影响，Homophily and Social Influence），相互连接的用户更趋向于有相似的行为偏好，同时行为偏好相似的人更倾向于建立连接。反映在推荐模型中的含义即为约束用户的特征向量应该尽可能的与其朋友的特征向量在向量空间当中距离相近。比如，Jamali等人发明的SocialMF[1]算法，目的在于约束用户的行为特征应该与用户所连接的社交邻居的平均偏好尽可能的相近，具体函数如下所示。

其中，该函数具体包含三部分，第一部分为基本的矩阵分解模型，目的在于学习用户的评分偏好；第二部分为社交约束项，目的在于对用户向量进行约束，使得该用户的特征向量与朋友的社交向量的平均尽可能的相近；第三部分为正则项，用来缓解模型的过拟合问题。

此外，Hao Ma等人认为用户所关注的好友的爱好存在多样性的假设，提出了SoReg[2]方法，不再强制要求用户必须与全体朋友的偏好一致，而是约束用户与各自的好友存在不同的社交影响，具体的函数如下所示。

其中，第一和第三部分与SocialMF方法一致，不同的是第二部分社交约束项。由之前的约束用户的向量与关注朋友向量的平均向量相近改进为约束用户的向量与每一个关注朋友的向量相近，同时考虑了用户与每个朋友之间的社交相似性，相似性度量为两个用户的共同打分程度。通过改进，使得算法不仅仅考虑用户的社交连接，还将评分偏好纳入到了社交相似性度量上，起到了细粒度的社交影响对于推荐的提升。

以上两种模型可以看作是在矩阵分解的基础模型上，通过增加社交约束项来学习用户的向量表示。除了上述方式来融合社交信息外，还可以通过同享表示的方式来利用社交信息。HaoMa等人提出的SoRec[3]算法可以看作基于特征共享的社交推荐算法，具体的公式如下所示。

其中，用户低维特征向量通过同时分解评分矩阵和社交关系矩阵来进行学习，使得学到的用户特征向量可以兼顾用户的评分习惯和社交特性。

随后，另一种共享表示学习的方法TrustSVD[4]被提出，不仅用户的显式评分数据与社交关系应该被建模外，用户的隐式行为数据以及社交关系同样也应该被考虑到，因此在SVD++模型的基础上引入了隐式社交信息，具体公式如下所示。

其中，第一项为评分矩阵分解，旨在拟合用户的评分习惯同时学得隐式行为信息；第二项为信任矩阵分解，旨在拟合用户的信任关系；第三项为正则项，用来避免模型出现过拟合问题。为了同时捕捉用户的显式和隐式的评分以及社交信息，关键在于第一项，其中用户对于项目的具体评分预测公式如下所示。

通