推荐系统实践 笔记6 利用社交网络数据
 |
AngelAndAngel
2012-12-14
社交网络中的好友并不一定是基于兴趣的，即用户和好友并不一定是兴趣相似的，比如我们和自己的亲人。度量兴趣度的方式就是
统计用户之间喜欢的物品集合重合度。一般来说，用户会更相信熟人的推荐，熟悉度可以用用户之间的共同好友比例来度量，公式为 familiarity(u1,u2)=out(u1)&out(u2)/(out(u1)||out(u2))。在给用户推荐物品时，需要把兴趣相似度和熟悉度结合起来考虑。 信息流推荐 社交用户在网站上留下的各种信息，如评论，留言，都可能有价值的，假如通过像这种信息流做推荐，也可能产生意想不到的结果。目前最流行的信息流推荐算法是Facebook的EdgeRank。 给用户推荐好友 好友推荐算法在社交网络上被称为连接预测(link prediction)。 1，基于内容的匹配 常用的内容属性有：人口统计学信息；用户的兴趣，包括喜欢的物品和发布过的言论；用户的位置信息，包括住址，IP地址，邮编等。 2，基于共同兴趣的好友推荐 计算用户的兴趣相似度的主要思想在前面已经说过：如果用户喜欢相同的物品，则说明他们具有相似的兴趣。在社交网络中，共同评论的文章（正面），共同转发过的微博等，都可以说明他们兴趣相似。 3，基于社交网络图的好友推荐 这种相似度计算的主要思想是：假如共同好友越多，说明他们越相似（这里应该不能讲为相似，而是熟悉），这种好友推荐算法旨在推荐在现实社会中可能互相熟悉，在社交网络中没有联系过的用户。 |
