張翠蓮

摘要：社交網(wǎng)絡(luò)之“熱”讓人們對(duì)它的研究也越來(lái)越深入，推薦系統(tǒng)是現(xiàn)今社交網(wǎng)絡(luò)的重要組成部分，通過(guò)網(wǎng)站推薦操作也能夠更好地提高商業(yè)效益，因此也成為人們研究社交網(wǎng)絡(luò)的重點(diǎn)。而推薦系統(tǒng)作為一種應(yīng)用程序，程序的完成都需要有推薦算法作支撐。該文詳細(xì)介紹各類(lèi)有關(guān)的推薦算法，其主要目的是為了能夠?qū)ι缃痪W(wǎng)絡(luò)推薦系統(tǒng)的推薦機(jī)制有更加深入的認(rèn)識(shí)，并能夠掌握和應(yīng)用其中的一些推薦算法。

論文從對(duì)社交網(wǎng)絡(luò)的介紹開(kāi)始，通過(guò)詳細(xì)對(duì)各個(gè)算法闡述，能夠?qū)ι缃痪W(wǎng)絡(luò)的推薦機(jī)制有更好的理解。

關(guān)鍵詞：社交網(wǎng)絡(luò)；推薦算法；數(shù)據(jù)挖掘

中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）27-0250-03

1 社交網(wǎng)絡(luò)現(xiàn)狀

網(wǎng)絡(luò)作為21世紀(jì)人們互動(dòng)的平臺(tái)，給予人類(lèi)另外一個(gè)包含大量資源的世界。人們可以方便快捷地獲取所要的資源。 早期的社交網(wǎng)絡(luò)，主要是指web1.0的社區(qū)，主要是由論壇，聊天室等形式組成，這一時(shí)期的社交網(wǎng)絡(luò)系統(tǒng)單一，規(guī)模也不大。出現(xiàn)web2.0社區(qū)之后，逐漸出現(xiàn)了社交網(wǎng)站，社交網(wǎng)站擁有web2.0的特點(diǎn)，并且希望能夠?yàn)橛脩?hù)提供一種類(lèi)似真是社會(huì)交流的網(wǎng)絡(luò)服務(wù)平臺(tái)。

社交網(wǎng)絡(luò)如今已經(jīng)擁有著成千上百萬(wàn)個(gè)用戶(hù)，并且占據(jù)著一些用戶(hù)生活的不小的一部分。 在美國(guó)Facebook被很多民眾使用，在日本，Mixi被人們熟知，在中國(guó)，新浪微博，騰訊qq， 微信等幾乎被所有網(wǎng)民知曉。

社交網(wǎng)絡(luò)使得網(wǎng)絡(luò)與人的關(guān)系更加緊密，但同時(shí)也產(chǎn)生了大量的數(shù)據(jù)，這些數(shù)據(jù)的產(chǎn)生不僅給互聯(lián)網(wǎng)公司造成了煩惱，更使得用戶(hù)面對(duì)海量的數(shù)據(jù)信息不知作何選擇?，F(xiàn)今的社交網(wǎng)絡(luò)，通過(guò)分析用戶(hù)的行為為用戶(hù)選擇他們所感興趣的資源，從而有效地保持網(wǎng)站用戶(hù)量并且獲得更多的用戶(hù)，能夠促進(jìn)產(chǎn)品的開(kāi)發(fā)以及企業(yè)更好的運(yùn)營(yíng)，讓公司更好的發(fā)展。因此我們需要一種或多種有效的推薦算法來(lái)更好地更為準(zhǔn)確地達(dá)到這種效果。

2 社交網(wǎng)絡(luò)推薦系統(tǒng)概念

2.1 社交網(wǎng)絡(luò)

SNS是social network service的縮寫(xiě)，翻譯為社會(huì)性網(wǎng)絡(luò)服務(wù)，是為了幫助人們建立一種全球化社會(huì)化的網(wǎng)絡(luò)服務(wù)，SNS網(wǎng)站就是運(yùn)用這一社會(huì)性網(wǎng)絡(luò)服務(wù)的社交網(wǎng)站。社交網(wǎng)絡(luò)即social network就是由這類(lèi)網(wǎng)站建立起來(lái)的網(wǎng)絡(luò)。

2003年，在線社交網(wǎng)絡(luò)首次被提出，但是2006年才開(kāi)始出現(xiàn)SNS比較完整的定義。

社交網(wǎng)絡(luò)的核心在于用戶(hù)之間的聯(lián)系，其理論主要源于“六度分隔理論”。

該理論闡述，任何兩個(gè)陌生人之間可以通過(guò)六個(gè)人就可以有所聯(lián)系，通過(guò)這一理論，任何人的社交網(wǎng)絡(luò)圈子都會(huì)繼續(xù)擴(kuò)張，形成一個(gè)關(guān)聯(lián)全部人員的“社會(huì)化網(wǎng)絡(luò)”。

2.2 推薦系統(tǒng)

推薦系統(tǒng)最初的研究是在其他領(lǐng)域中，例如認(rèn)知科學(xué)，信息檢索等。由于互聯(lián)網(wǎng)以及電子商務(wù)的快速發(fā)展，推薦系統(tǒng)逐漸成為互聯(lián)網(wǎng)領(lǐng)域中的重要研究對(duì)象。

推薦系統(tǒng)是利用一些可行的推薦方法向用戶(hù)推薦候選對(duì)象的一種系統(tǒng)。用戶(hù)可以主動(dòng)向推薦系統(tǒng)提供他們的偏好或者請(qǐng)求，或者通過(guò)推薦系統(tǒng)來(lái)發(fā)現(xiàn)用戶(hù)的隱式需求，由推薦系統(tǒng)來(lái)采集用戶(hù)的偏好，然后將推薦信息給用戶(hù)使用。推薦系統(tǒng)的模型圖如圖1所示：

推薦系統(tǒng)形式定義為：設(shè)S是所有要研究的用戶(hù)對(duì)象集合，C是所有能夠被推薦給該用戶(hù)的那些對(duì)象的集合。C中的特定對(duì)象c相對(duì)于用戶(hù)s的推薦度大小我們用函數(shù)f（）表示，其中f：S*C→R，R是一定范圍中的非負(fù)數(shù)，那么我們的推薦問(wèn)題就是尋找能夠使得R最大的對(duì)象，如式（1）：

推薦系統(tǒng)中偏好獲取的方式有如下兩點(diǎn)：

顯式獲取：

通過(guò)網(wǎng)絡(luò)中的問(wèn)卷調(diào)查等相關(guān)反饋，讓用戶(hù)選取自己的喜好對(duì)象，從調(diào)研中發(fā)現(xiàn)用戶(hù)的偏好行為。然而這一獲取方式并非十分有效，因?yàn)榇蠖鄶?shù)用戶(hù)會(huì)由于各種原因而不會(huì)積極參與到調(diào)研之中，從而使得數(shù)據(jù)的準(zhǔn)確性收到干擾。顯示獲取中主要要求用戶(hù)對(duì)各種對(duì)象進(jìn)行評(píng)分或評(píng)論，最好能夠提出自己的建議。

隱式獲?。?/p>

隱式獲取不需要用戶(hù)的主動(dòng)參與，通過(guò)用戶(hù)以往的行為來(lái)判斷用戶(hù)將來(lái)可能的操作，這一獲取方式能夠更好地得出結(jié)果，一般來(lái)說(shuō)，隱式獲取主要研究用戶(hù)的瀏覽記錄或者反復(fù)性的行為操作等。本研究中將用到的獲取用戶(hù)偏好的方法就是隱式獲取的方式。

3 推薦系統(tǒng)算法

推薦系統(tǒng)算法，即通過(guò)分析已有對(duì)象的行為或者屬性，利用一些數(shù)學(xué)上的算法來(lái)得出更可能滿(mǎn)足該對(duì)象需求或者與該對(duì)象更加相似的對(duì)象。 此類(lèi)算法很多，不同的算法分析多種多樣，得到的結(jié)果也不盡相同，以下簡(jiǎn)單介紹一些相關(guān)的算法。

3.1 協(xié)同過(guò)濾算法

協(xié)同過(guò)濾算法被人們研究的比較深入，此算法也經(jīng)常被應(yīng)用到推薦系統(tǒng)中，協(xié)同過(guò)濾算法通過(guò)分析用戶(hù)興趣，在用戶(hù)中找到與目標(biāo)用戶(hù)有相似興趣的用戶(hù)，通過(guò)這些用戶(hù)對(duì)某一信息的相似評(píng)價(jià)來(lái)達(dá)到對(duì)這一信息的預(yù)測(cè)。此類(lèi)算法可以細(xì)分為以下幾種：

3.1.1 基于用戶(hù)相似算法（user similarity）

基于用戶(hù)相似算法的目的是為了通過(guò)對(duì)很多其他用戶(hù)的喜好進(jìn)行搜集評(píng)價(jià)來(lái)對(duì)某些用戶(hù)自動(dòng)進(jìn)行預(yù)測(cè)。尤其是通過(guò)對(duì)那些與目標(biāo)用戶(hù)相似性程度高的用戶(hù)進(jìn)行喜好搜集。

用表示用戶(hù)u對(duì)某一屬性a的評(píng)分，并且讓表示用戶(hù)u屬性的集合，那么對(duì)于用戶(hù)u給屬性a的平均評(píng)分為：

根據(jù)協(xié)同過(guò)濾，預(yù)測(cè)用戶(hù)u對(duì)屬性a的評(píng)分r為：

其中表示最相似于用戶(hù)u的用戶(hù)集合，表示用戶(hù)u和用戶(hù)v之間的相似度，是一個(gè)正態(tài)因子。如果只知道一些個(gè)體用戶(hù)的屬性集合，這時(shí)候我們不是明確的評(píng)估，而是主要預(yù)測(cè)將來(lái)最可能被用戶(hù)偏好的屬性集合。這樣一來(lái)，上式可由式（4）替代：

其中表示用戶(hù)u的屬性a的推薦分?jǐn)?shù)，是用戶(hù)屬性的二分網(wǎng)絡(luò)的一個(gè)鄰接矩陣的一元（如果用戶(hù)v搜集了屬性a，=1，否則=0）。

上述式子中，只有與用戶(hù)u最相似的用戶(hù)才會(huì)被考慮在內(nèi)。為了保證，鄰居選擇策略經(jīng)常被應(yīng)用在：1） 相關(guān)閾值，它基于選擇所有用戶(hù)v，他們的相似度suv超過(guò)一個(gè)給定的閾值；2） 矩陣中最大化數(shù)目的鄰居包括選擇k個(gè)最相似于用戶(hù)u的用戶(hù)，這里k是算法的一個(gè)參數(shù)。這種選擇最接近用戶(hù)的計(jì)算通常會(huì)導(dǎo)致更好的結(jié)果。

3.1.2 基于項(xiàng)相似算法（item similarity）

這里我們暫且把項(xiàng)理解為屬性，我們用屬性-屬性相似度替代用戶(hù)-用戶(hù)相似度，最簡(jiǎn)單的方式就是用平均加權(quán)的方式估算未知的排序優(yōu)先權(quán)：

其中T是被用戶(hù)u評(píng)估的屬性的集合。

這個(gè)算法的一個(gè)優(yōu)點(diǎn)就是其屬性之間的相似度相比于用戶(hù)之間更加趨與靜態(tài)化，這樣就允許它們之間的值可以在線下的時(shí)候也能夠用于計(jì)算。

3.1.3 slope-one算法

slope-one 算法最簡(jiǎn)單的表達(dá)式為，其中b是一個(gè)常量，x是變量表示評(píng)分。它除去屬性的平均評(píng)分，然后比較一個(gè)屬性（item）比另外一個(gè)屬性的相似度多多少。例如，考慮一種情況，當(dāng)用戶(hù)i給屬性 a評(píng)分為1，給屬性b分?jǐn)?shù)為1.5，而用戶(hù)j給屬性a 2分。slope-one算法就預(yù)測(cè)用戶(hù)j將對(duì)屬性b評(píng)分分為2+（1.5-1）=2.5。

slope-one算法既考慮其他用戶(hù)對(duì)同一屬性的評(píng)價(jià)相關(guān)信息，也考慮了此用戶(hù)對(duì)其他屬性的評(píng)價(jià)。特殊情況下，只有已經(jīng)評(píng)價(jià)了那些與目標(biāo)用戶(hù)相同的屬性的用戶(hù)以及目標(biāo)用戶(hù)已經(jīng)進(jìn)行了評(píng)估的屬性是我們包含在我們要預(yù)測(cè)所要用到的過(guò)程中的。用W（a，b）表示那些已經(jīng)對(duì)屬性a和b進(jìn)行評(píng)估的用戶(hù)集合，屬性b與a之間的平均偏差表示為：

給定一個(gè)一直的評(píng)級(jí)r，slope-one預(yù)測(cè)u在屬性b上的評(píng)估為，一個(gè)合理的整體預(yù)測(cè)就是他們的平均值：

其中S是已經(jīng)被u評(píng)價(jià)過(guò)的并且和屬性b同時(shí)被評(píng)價(jià)的屬性的集合。要注意預(yù)測(cè)時(shí)候，不管此時(shí)有多少用戶(hù)同時(shí)評(píng)價(jià)過(guò)a和b，要保證不同的屬性a都有相同的加權(quán)?？紤]到的可信度依賴(lài)于|W（a，b）|，我們可以引進(jìn)一個(gè)加權(quán)過(guò)得slope-one算法：

另外一個(gè)對(duì)基礎(chǔ)slope-one算法的改進(jìn)的方法是通過(guò)一個(gè)給定用戶(hù)將所有屬性的集合分割為偏好屬性和非偏好屬性?xún)蓚€(gè)集合。從這些偏好屬性和非偏好屬性中，兩個(gè)分開(kāi)的預(yù)測(cè)相結(jié)合而派生出一個(gè)最終的預(yù)測(cè)。用和分別表示用戶(hù)的偏好屬性和非偏好屬性，我們先認(rèn)為這兩個(gè)集合中都有屬性a，b。那么偏好屬性與非偏好屬性之間的偏差為：

那么基于屬性a的評(píng)分而對(duì)屬性b上的預(yù)測(cè)是或是，具體選擇取決于目標(biāo)用戶(hù)是否偏好屬性a，那么我們就有二維slope-one算法：

公式中的加權(quán)的選擇與上一slope-one類(lèi)似。

以上論述也表明了，slope-one算法可以超越線性回歸的方式（比如評(píng)估表達(dá)式為f（x）=ax+b）并且計(jì)算所有變量的一半。這種簡(jiǎn)單的接近預(yù)測(cè)同樣也減少了我們的存儲(chǔ)空間以及我們運(yùn)算的復(fù)雜度。slope-one算法已經(jīng)成為一種其他算法改進(jìn)的借鑒，能夠更好地提高預(yù)測(cè)準(zhǔn)確度。

3.2 聚類(lèi)

聚類(lèi)算法通過(guò)一定的評(píng)分方式將用戶(hù)聚類(lèi)，然后對(duì)每個(gè)類(lèi)進(jìn)行進(jìn)一步分析計(jì)算。通過(guò)相似度進(jìn)行聚類(lèi)的算法最為常見(jiàn)。聚類(lèi)算法的用途很廣泛，比如商業(yè)上，可以利用不同的聚類(lèi)方法將消費(fèi)者劃分為不同的消費(fèi)群體，從而更加能夠了解到消費(fèi)者的行為模式，幫助商家更好地盈利。

3.3 基于內(nèi)容的推薦

這類(lèi)算法主要用于信息檢索方面，通過(guò)用戶(hù)已有的搜索記錄來(lái)預(yù)知用戶(hù)即將可能瀏覽的頁(yè)面?；趦?nèi)容的推薦，主要注重文本的相似度，比如網(wǎng)絡(luò)中大部分搜索引擎就是根據(jù)這一算法搜索到頁(yè)面。

基于內(nèi)容的推薦算法，簡(jiǎn)單來(lái)講就是通過(guò)用戶(hù)a對(duì)某一物品s1的評(píng)價(jià)u（a，s1）來(lái)估計(jì)該用戶(hù)對(duì)于某一與s1相似的物品s2的評(píng)價(jià)u（a，s2）。例如，在網(wǎng)站推薦中，我們目的是要推薦某一網(wǎng)站給用戶(hù)a，那么基于內(nèi)容的推薦算法就試圖在該用戶(hù)對(duì)以往網(wǎng)站評(píng)價(jià)高的網(wǎng)站中分析出它們的相同之處（比如某些類(lèi)似的應(yīng)用，網(wǎng)站頁(yè)面設(shè)計(jì)等）。那些和該用戶(hù)偏好相同的網(wǎng)站將被推薦給該用戶(hù)。

更加形式化說(shuō)明該算法，假定cons（a）表示物品a的一系列特征，這些特征可以用來(lái)確定該物品是否能夠得到推薦。前面已經(jīng)講到，基于內(nèi)容的推薦算法經(jīng)常運(yùn)用在信息檢索也就是文本查詢(xún)方面。設(shè)詞在文檔中的權(quán)重為，這一權(quán)重可以有多種定義方法。

信息檢索里，一個(gè)比較常用的用來(lái)確定詞語(yǔ)權(quán)重的指標(biāo)為T(mén)F-IDF。TF-IDF定義為：設(shè)n是可以被推薦的文檔的總和，詞在文檔中出現(xiàn)的次數(shù)為。則有在文檔中的詞頻為：

其中是所有關(guān)鍵詞出現(xiàn)在中的最大值。

同時(shí)有在該文檔中的倒文檔頻率定義為：

在文檔中的TF-IDF的權(quán)重為：

文檔內(nèi)容為：

用liked（c）表示包含用戶(hù)偏好的集合。可以定義它為向量，每一個(gè)表示對(duì)用戶(hù)c的重要程度。

在基于內(nèi)容的推薦算法中，定義效用函數(shù)u（c，s）為：

3.4 其他推薦算法

當(dāng)然還有其他各種類(lèi)型的推薦算法，或者各種算法相組合而得到的算法。這些推薦算法的研究，讓我們對(duì)推薦系統(tǒng)更為深入地了解。不同的研究論題，可能只有以上一種或者幾種算法才合適，在我們進(jìn)行研究的時(shí)候要尤其注意算法的選擇。

4 結(jié)束語(yǔ)

經(jīng)過(guò)近幾年互聯(lián)網(wǎng)的發(fā)展積累，社交網(wǎng)絡(luò)逐漸成為互聯(lián)網(wǎng)的主要應(yīng)用之一。社交網(wǎng)絡(luò)的各個(gè)功能也在逐漸完善化，細(xì)分化，社交網(wǎng)絡(luò)也逐漸成為新聞傳播的重要方式，讓人們?cè)谄渲羞M(jìn)行即時(shí)的互動(dòng)，通過(guò)調(diào)查發(fā)現(xiàn)，越來(lái)越多的用戶(hù)傾向于從社交網(wǎng)站中掌握新聞動(dòng)態(tài)。

推薦系統(tǒng)作為社交網(wǎng)絡(luò)的重要組成部分，至今為止，對(duì)它的研究還沒(méi)有特別深入，還有很多可以挖掘的地方，比如推薦算法的選擇與改進(jìn)，研究時(shí)候?qū)τ跀?shù)據(jù)集合的選取與分析等等。從閱讀過(guò)的多篇文獻(xiàn)中發(fā)現(xiàn)，推薦算法已經(jīng)有不少人在研究而且得到有效的運(yùn)用，這便給我們研究社交網(wǎng)絡(luò)推薦系統(tǒng)的推薦算法提供了很好的理論基礎(chǔ)。相信今后會(huì)有更多有關(guān)社交網(wǎng)絡(luò)推薦系統(tǒng)的新發(fā)現(xiàn)，我們拭目以待。

參考文獻(xiàn)：

[1] 丁華俊. SNS發(fā)展探析[J]. 中國(guó)證券期貨， 2011（4）： 170-171.

[2] 蔣翀， 費(fèi)洪曉. 個(gè)性化推薦系統(tǒng)中的混合用戶(hù)偏好獲取[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 2010， 19（10）： 203-206.

[3] 吳俊杰， 劉耀軍， 趙月愛(ài). 基于用戶(hù)行為的網(wǎng)站推薦系統(tǒng)模型[J]. 山西電子技術(shù)， 2011（6）： 66-67.

[4] 鄭佳佳. 社交網(wǎng)絡(luò)中基于圖排序的好友推薦機(jī)制研究與實(shí)現(xiàn)[D]. 杭州： 浙江大學(xué)， 2011.

[5] 林大瀛. 基于分組聚類(lèi)的SVM訓(xùn)練算法[D]. 廣東： 華南理工大學(xué)， 2003.