社交媒体中的推荐相关
来源:互联网 发布:手机数据恢复方法 编辑:程序博客网 时间:2024/05/16 16:08
社交媒体极大的促使了人们参与到在线活动中,使得在线用户可以随时随地的创造和分享信息。在以上有利条件下,社交媒体中的数据量开始以一种前所未有的速度增长。使得在线用户在寻找他们感兴趣的信息方面变得越来越困难。“信息过载”开始出现。而现如今应对信息过载的方法最主要的就是个性化推荐。例如:Facebook(1,280,000,00用户)提供朋友推荐——“People You May Know”;Twitter(645,750,000用户)实现类似于“微博关注”的推荐——“Who to follow”;YouTube中根据用户视频观看记录向用户推荐其可能感兴趣的视频;Yelp根据用户的评分记录以及当前用户所在位置向用户推荐就餐餐厅;Foursquare根据用户的位置自动向用户推荐旅游地点
推荐是有着其特殊特征的,与传统的搜索相比,推荐由用户非明确需求查询触发,即在不需要用户明确说明其需求的情况下,向用户提供及时并相关的信息。如果一个站点的推荐具有高的准确性和覆盖,用户将会在该网站投入更多的关注或者贡献更多。例如谷歌搜索引擎,在大数据的时代下,搜索引擎在向用户展现其搜索结果排序时,完全可以根据历史用户对当前关键词的搜索以及点击统计情况,向用户展现出更好的搜索结果及排序。
根据利用社交网络中信息的不同,可以将社交网络中的推荐分为三类,朋友推荐、内容推荐和位置推荐,这三者既可独立,也可混合进行。
首先,社交网络中的朋友推荐,在社交网络中,人和人之间的联系通常使用有向的连接图构成(一般的,将有向连接图转化成User-User矩阵),朋友推荐的基本思路便在于缺失连接的预测,该预测可以是有监督的也可以是无监督的。
对于有监督的朋友推荐,其可以转化为分类问题。即可能成为朋友或者不可能成为朋友。等同于一般的有监督学习方法,使用标注的训练数据(即将已存在的连接作为训练数据),提取特征集合来表示user-pairs,训练模型。具体表示如下图:
无监督的朋友推荐,通常基于给定网络的特征,有两种方法:基于连接的方法和基于矩阵分解的方法。通常我们较多的使用矩阵分解来完成推荐,
从另一角度来看,社交网络中的朋友推荐类型有以下三类:
Reciprocityrecommendation(互惠型)
——A follows B, howlikely B will follow A back?
Triadic closurerecommendation(三元闭包)
——What are thefundamental factors that trigger the formation of triadic closure?
Cross-communityrecommendation(跨社区)
——Analyzing theCross-community friendship formation problem and uncovering the underlyingpatterns
这里我们重点介绍第二种——基于三元闭包的推荐,三元闭包理论指的是,在社交网络中,如果A和B有一个共同的朋友C,那么A和B也很可能成为朋友。
据说,推特的推荐就是基于三元闭包的算法,具体如下:
1.遍历你关注的用户,找出他们关注、回复、转发的所有用户,作为候选;
2.根据位置、热度、微博数目、微博内容相似度等为每一个候选计算一个权值;
3.再根据你倾向于关注或无视哪些人的好友,对权值进行调整。例如你关注了很多张三的朋友,那么张三的朋友的权值可以调高;
4.也需要考虑结果的扩展,甚至可以加入一些随机的用户说不定就给你惊喜了
暂告一段落。
- 社交媒体中的推荐相关
- 相关社交媒体分析的
- 社交媒体中的谣言检测(A11, AAAI2015)
- 用户体验引领Moblin项目中的社交媒体整合
- 社交网络中的推荐系统研究
- [O'Reilly精品图书推荐]社交媒体大数据分析
- SEO与社交媒体博弈论
- 企业为何惧怕社交媒体?
- 中国社交媒体生态图谱
- 有的放矢地使用社交媒体
- 了解社交媒体分析过程
- 社交媒体数据挖掘重要性
- android程序的相关问题记录(一键发送“说说”新浪微博,QQ空间等社交媒体)
- 推荐算法:社交化网络:社交网络
- 老外谈社交媒体:2015社交平台最新运营技巧
- 博客是媒体还是社交网络?
- 博客是媒体还是社交网络?
- 未来的社交媒体是怎样的?
- Android Launcher3(二) -- Drag拖动实现
- Android笔记三.不同Activity之间的传递数据(Bundle对象的使用)
- PHP文件注释标记及规范小结
- 10个调试和排错的小建议
- 第二十章之HttpClient请求
- 社交媒体中的推荐相关
- Weight Decay in neural network
- OC第一课
- 发现百度开源一个好东西,Echarts统计报表前段框架
- 浅析 Hadoop 中的数据倾斜
- 查内存泄漏的方法
- 最短路径问题
- javascript函数的内部属性arguements及agruments.callee函数
- AFN检测网络情况