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

基于邻域的社会化推荐算法

用户u对物品i的兴趣：
$p_{u i}=\sum_{v \in \text { out }(u)} r_{v i}$
考虑不同好友的权重：
$p_{u i}=\sum_{v \in \text { out }(u)} w_{u v} r_{v i}$
权重=用户熟悉度+兴趣相似度
$\text { familiarity }(u, v)=\frac{| \text { out }(u) \cap \operatorname{out}(v) |}{| \text { out }(u) \cup \operatorname{out}(v) |}$
$\text { similiarity }(u, v)=\frac{|N(u) \cap N(v)|}{|N(u) \cup N(v)|}$

基于图的社会化推荐算法

利用社交网络数据的推荐系统
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。

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：

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

指向用户的用户群的相似度：

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

用户u中关注的用户有多少关注了v：

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

利用社交网络数据的推荐系统

相关推荐