社交媒体中的推荐相关

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。