社会化推荐

借助社交网络推荐篇。

文章目录

    6 社会化推荐
        6.1 利用社交网络信息推荐
            6.1.1 基于邻域的社会化推荐算法
            6.1.2 基于图的社会化推荐算法
        6.2 给用户推荐好友

6 社会化推荐
6.1 利用社交网络信息推荐

利用用户的社交网络数据进行推荐，主要是源于：

    好友推荐可以增加推荐的信任度
    社交网络可以解决冷启动问题

6.1.1 基于邻域的社会化推荐算法

最简单的方法是给用户推荐好友喜欢的物品集合，用户u对物品i的兴趣pui

pu​i可以通过如下公式计算：

pui=∑v∈out(u)rvi

pui​=∑v∈out(u)​rvi​

其中out(u)
out(u)是用户u的好友集合，如果用户v喜欢物品i，则rvi=1rv​i=1，否则rvi=0

rv​i=0。

当然，不同好友之间的熟悉度和兴趣相似度是不一样的，因此应该在推荐的时候把这个考虑在内：

pui=∑v∈out(u)wuvrvi

pui​=v∈out(u)∑​wuv​rvi​

这里的wuv

wuv​由两部分相似度构成，一部分是用户u和用户v的熟悉程度，另一部分是用户u和用户v的兴趣相似度。

其中，用户u和用户v的熟悉程度由如下公式度量，即他们之间的共同好友比例：

familiarity(u,v)=∣out(u)⋂out(v)∣∣out(u)⋃out(v)∣

familiarity(u,v)=∣out(u)⋃out(v)∣∣out(u)⋂out(v)∣​

而用户u和用户v的兴趣相似度由如下公式度量，即他们喜欢的物品重合度：

similarity(u,v)=∣N(u)⋂N(v)∣∣N(u)⋃N(v)∣

similarity(u,v)=∣N(u)⋃N(v)∣∣N(u)⋂N(v)∣​
6.1.2 基于图的社会化推荐算法

用户的社交网络可以表示为为社交网络图，用户对物品的行为可以表示为用户物品二分图，而这两种图可以结合成一个图。如下图所示：

在定义完图中的顶点和边后，需要定义边的权重。其中用户和用户之间边的权重可以定义为用户之间相似度的α
α倍（包括熟悉程度和兴趣相似度），而用户和物品之间的权重可以定义为用户对物品喜欢程度的β

β倍。

在定义完图中的顶点、边和边的权重后，就可以利用前面几章提到的PersonalRank图排序算法给每个用户生成推荐结果。
6.2 给用户推荐好友


这里主要介绍基于社交网络图的好友推荐，最简单的方法是给用户推荐好友的好友。主要用来给用户推荐他们在现实社会中互相熟悉，而在当前社交网络中没有联系的其他用户。

有下面几种方法计算相似度：

    wout(u,v)

    wout​(u,v)

对于用户u和用户v，用共同好友比例计算相似度：

wout(u,v)=∣out(u)⋂out(v)∣∣out(u)∣∣out(v)∣√
wout​(u,v)=∣out(u)∣∣out(v)∣

​∣out(u)⋂out(v)∣​

其中out(u)

out(u)是在社交网络图中用户u指向的其他好友的集合。

    win(u,v)

    win​(u,v)

也可以定义in(u)

in(u)是在社交网络图中指向用户u的用户集合，此时可以定义另外一种相似度：

win(u,v)=∣in(u)⋂in(v)∣∣in(u)∣∣in(v)∣√
win​(u,v)=∣in(u)∣∣in(v)∣

​∣in(u)⋂in(v)∣​

    wout,in(u,v)

    wout,in​(u,v)

这个是用户u关注的用户中，有多大比例也关注了用户v：

wout,in(u,v)=∣out(u)⋂in(v)∣∣out(u)∣√
wout,in​(u,v)=∣out(u)∣

​∣out(u)⋂in(v)∣​

    w′out,in(u,v)

    wout,in′​(u,v)

上面公式的一个缺点在于，所有人都和名人有很大的相似度。因此可以用如下方法改进：

w′out,in(u,v)=∣out(u)⋂in(v)∣∣out(u)∣∣in(v)∣√
wout,in′​(u,v)=∣out(u)∣∣in(v)∣
​∣out(u)⋂in(v)∣​
————————————————
版权声明：本文为CSDN博主「MagicBubble」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Magical_Bubble/article/details/88559925