孟璐

華中師范大學(xué) 湖北 武漢 430079

引言

社交網(wǎng)絡(luò)中的好友推薦一般是通過(guò)運(yùn)用算法和構(gòu)建模型來(lái)計(jì)算和預(yù)測(cè)用戶之間的隱藏鏈接關(guān)系，并按照與當(dāng)前社交圈的親密度進(jìn)行降序排列，為社交網(wǎng)絡(luò)用戶推薦他們感興趣的或可能認(rèn)識(shí)的朋友，并引導(dǎo)他們建立新的好友關(guān)系，這表現(xiàn)在社交網(wǎng)絡(luò)模型中，即建立新的節(jié)點(diǎn)連邊。

已有的社交網(wǎng)絡(luò)好友推薦方法為我們提供了多種考量用戶關(guān)系的思路，其中研究最廣泛的是基于用戶興趣偏好的方法，其他還包括基于用戶社會(huì)關(guān)系的方法、基于用戶社會(huì)影響力的方法、基于好友信任度的方法等。上述方法往往忽略了用戶作為社交網(wǎng)絡(luò)主體的一些網(wǎng)絡(luò)行為和所處環(huán)境可能對(duì)好友推薦的結(jié)果產(chǎn)生潛在影響。因此，筆者選取了社交網(wǎng)絡(luò)好友推薦方法中研究較少的兩種思路，即基于用戶行為和基于地理位置的方法，對(duì)國(guó)內(nèi)這兩個(gè)領(lǐng)域已產(chǎn)生的最新研究進(jìn)行綜述。

一、基于用戶行為的社交網(wǎng)絡(luò)好友推薦方法

近年來(lái)，多樣化的社交網(wǎng)絡(luò)衍生出了紛繁復(fù)雜的用戶在線互動(dòng)行為，除了傳統(tǒng)的瀏覽、評(píng)論、轉(zhuǎn)發(fā)、回復(fù)外，還增加了點(diǎn)贊、@、評(píng)分等。此外，社交網(wǎng)絡(luò)用戶行為具有實(shí)時(shí)更新不易把控的特點(diǎn)，考量起來(lái)有一定難度，而基于用戶行為的方法為社交網(wǎng)絡(luò)好友推薦提供了很好的借鑒。

吳不曉[1]以用戶標(biāo)注行為為本，使用詞頻-逆向文件頻率（TF-IDF）將用戶標(biāo)簽以語(yǔ)義相似度聚類成不同的話題，并據(jù)此推薦具有相同興趣愛好的潛在好友的算法——基于用戶標(biāo)注行為的好友推薦算法（FRBT）。李全樂(lè)[2]研究了基于用戶@行為的好友推薦問(wèn)題，他使用機(jī)器學(xué)習(xí)排序框架（Learning To Rank），并引入概率圖模型思想，將用戶@行為的好友推薦問(wèn)題轉(zhuǎn)化成二分類問(wèn)題。過(guò)云燕[3]借助機(jī)器學(xué)習(xí)方法，研究不同類型的屬性對(duì)用戶行為產(chǎn)生的不同貢獻(xiàn)度，并以此為依據(jù)對(duì)屬性進(jìn)行分類，提出一種基于分類屬性的好友推薦算法。

蔣文麗[4]則研究社交網(wǎng)絡(luò)中不同的社群/團(tuán)隊(duì)角色或相同角色下不同的用戶行為造成的角色活躍度差異，并通過(guò)E-GARGO模型模擬社群拓?fù)浣Y(jié)構(gòu)中的角色活躍度，提出一種基于角色活躍度的好友推薦方法。李天立[5]和鄭佳佳[6]等均將用戶行為模式歸納為檔案創(chuàng)建、內(nèi)容創(chuàng)建及關(guān)系建立三方面，依據(jù)用戶和網(wǎng)頁(yè)的關(guān)系構(gòu)建用戶訪問(wèn)模型，并依據(jù)用戶間的評(píng)分計(jì)算用戶相似性，從而研究熱點(diǎn)好友推薦問(wèn)題。

施少懷[7]把社交網(wǎng)絡(luò)用戶劃分為興趣用戶和交際用戶兩種類型，由此形成的興趣關(guān)系和交際關(guān)系則代表了用戶的不同傾向。而用戶在社交網(wǎng)絡(luò)中的行為必然會(huì)受其好友行為影響，因此他引入行為信任機(jī)制，把基于用戶行為傾向的相似度模型評(píng)估結(jié)果在每個(gè)用戶節(jié)點(diǎn)中傳播，以此進(jìn)行好友推薦。

趙釹森[8]深入分析了用戶行為與用戶興趣的關(guān)系，重點(diǎn)研究目前主要的互聯(lián)網(wǎng)行為，包括瀏覽行為、評(píng)論行為、評(píng)分行為，并以此為出發(fā)點(diǎn)，建立情感與評(píng)分的回歸模型，分析由用戶評(píng)分高低與其所表達(dá)的興趣愛好程度大小之間的關(guān)系，提出了一種模糊興趣分類方法。同樣從移動(dòng)互聯(lián)網(wǎng)用戶所處的動(dòng)態(tài)情境去思考的還有陳獨(dú)伊[9]，將用戶瀏覽社交網(wǎng)絡(luò)實(shí)時(shí)動(dòng)態(tài)的情境因素納入用戶行為模型，提出一種基于用戶情境的三維社交網(wǎng)絡(luò)推薦模型，并通過(guò)基于情境的三維用戶項(xiàng)目評(píng)分矩陣，預(yù)測(cè)用戶對(duì)信息的采納程度。王立人[10]以微博為例，將微博中四種常見的用戶行為——轉(zhuǎn)發(fā)、評(píng)論、@、參與話題討論融入主題模型LDA（文檔主題生成模型），并通過(guò)時(shí)間窗把微博文本劃分到時(shí)間片中，構(gòu)建了一種融合用戶行為和時(shí)間窗的動(dòng)態(tài)主題挖掘模型。

二、基于地理位置的社交網(wǎng)絡(luò)好友推薦方法

與位置服務(wù)相融合是社交網(wǎng)絡(luò)服務(wù)未來(lái)發(fā)展的一大趨勢(shì)。就目前研究狀況來(lái)看，大部分好友推薦研究方法忽略了用戶興趣與其位置間的潛在關(guān)系。這樣的推薦方法更適用于虛擬網(wǎng)絡(luò)，推薦結(jié)果產(chǎn)生的好友關(guān)系也多為虛擬關(guān)系，在現(xiàn)實(shí)世界并沒(méi)有真正的交集，這將造成用戶線上線下的社交活動(dòng)無(wú)法緊密連接，在滿足用戶的社交現(xiàn)實(shí)需求方面存在一定缺陷。

基于用戶地理位置的好友推薦方法彌補(bǔ)了上述缺陷。從這個(gè)思路出發(fā)，朱金奇[11]提出把用戶的興趣和位置結(jié)合起來(lái)，即將傳統(tǒng)的用戶興趣挖掘及相似性匹配算法加入鄰居發(fā)現(xiàn)的方法，通過(guò)地理位置相似度計(jì)算剖析近鄰關(guān)系。田恩菊[12]以用戶簽到地點(diǎn)歷史記錄為信息源，提出將矩陣分解挖掘出的用戶現(xiàn)有社交關(guān)系（隱式因子）與用戶地理位置（顯式因子）相互補(bǔ)充的思路。

朱榮鑫[13]對(duì)位置簽到型社交網(wǎng)站Foursquare進(jìn)行研究，發(fā)現(xiàn)用戶簽到的位置范圍多為近距離，由此印證用戶更傾向于近距離社交?；诖耍M(jìn)一步挖掘位置與人的關(guān)系，提出了位置推薦模型和用戶推薦模型——前者采用主題模型，將用戶和位置的簽到序列與文本聚類LDA中的詞與文檔相對(duì)應(yīng)，得到主題-位置矩陣和簽到-主題矩陣，觀察用戶簽到和位置在矩陣中的分布情況，從而進(jìn)行位置推薦；后者采用圖模型，將用戶之間的關(guān)系轉(zhuǎn)化為圖中邊的關(guān)系，通過(guò)對(duì)邊的關(guān)系進(jìn)行權(quán)重計(jì)算來(lái)確立好友關(guān)系的強(qiáng)弱。

隋雪芹[14]以新浪微博為例，探究了如何通過(guò)挖掘用戶移動(dòng)軌跡來(lái)進(jìn)行好友推薦。首先通過(guò)貝葉斯分布來(lái)監(jiān)測(cè)用戶所發(fā)微博狀態(tài)中包含的地名等位置信息，并綜合考慮所發(fā)微博上下文內(nèi)容、用戶活躍度和用戶在城際間的移動(dòng)時(shí)間，最終提出了位置敏感的朋友推薦模型。劉乾[15]結(jié)合用戶的地理簽到歷史信息，提出了由地理相似性和用戶社交距離共同決定的用戶社交位置距離（Social Location）的概念，并以此為基礎(chǔ)構(gòu)建好友推薦模型。

王晨[16]對(duì)基于位置的國(guó)外社交網(wǎng)絡(luò)Brightkite進(jìn)行數(shù)據(jù)采集，通過(guò)分析社交網(wǎng)絡(luò)用戶使用地點(diǎn)簽到功能的行為習(xí)慣，探究用戶位置信息對(duì)好友拓?fù)浣Y(jié)構(gòu)的影響。李林[17]在基于位置服務(wù)（Location-Based Service）的基礎(chǔ)上，引入基于位置的社交網(wǎng)絡(luò)（Location-Based Social Networks，簡(jiǎn)稱LBSN）的概念，并針對(duì)這個(gè)概念提出一種叫作PFRSC的基于用戶社交關(guān)系和簽到行為的朋友推薦算法。同樣將LBSN概念運(yùn)用到好友推薦方式中的還有李媛[18]和劉袁柳[19]，他們認(rèn)為在LBSN模式下應(yīng)實(shí)現(xiàn)用戶不受任何時(shí)間和空間的約束，能隨時(shí)隨地通過(guò)簽到來(lái)分享自己的位置或發(fā)表帶位置的文本或媒體數(shù)據(jù)。他們還認(rèn)為，用戶的位置信息能有效彌補(bǔ)線上線下社交好友活動(dòng)的鴻溝，它不應(yīng)只被看作一個(gè)簡(jiǎn)單的屬性。

李朔[20]為了解決前人基于位置的推薦研究中關(guān)于數(shù)據(jù)稀疏及冷啟動(dòng)的問(wèn)題，結(jié)合聚類算法與協(xié)同過(guò)濾方法二者之長(zhǎng)，并綜合考慮位置語(yǔ)義等因素，提出一種改進(jìn)的地點(diǎn)推薦方法。孫曉晨[21]通過(guò)計(jì)算用戶在各個(gè)位置興趣點(diǎn)的位置權(quán)重來(lái)計(jì)算用戶的位置相似度和好友相似度，同時(shí)應(yīng)用基于密度聚類的DBSCAN算法達(dá)到將各個(gè)位置興趣點(diǎn)聚類為不同的位置興趣區(qū)域塊的目標(biāo)，最后綜合用戶間的互動(dòng)親密度進(jìn)行好友推薦。

朱煦[22]針對(duì)移動(dòng)互聯(lián)網(wǎng)提出了一種利用移動(dòng)設(shè)備上下文信息進(jìn)行朋友推薦的思路——采集用戶移動(dòng)設(shè)備中的通信數(shù)據(jù)，以此計(jì)算用戶間的通信社交強(qiáng)度，并利用無(wú)線通信技術(shù)收發(fā)信號(hào)以感知用戶間的位置社交強(qiáng)度，最后利用通信社交強(qiáng)度和位置社交強(qiáng)度構(gòu)造綜合反映用戶聯(lián)絡(luò)關(guān)系的移動(dòng)社交強(qiáng)度，并根據(jù)此思想，利用基于圖的推薦算法進(jìn)行好友推薦。

三、結(jié)語(yǔ)

綜上所述，基于用戶行為和基于地理位置的社交網(wǎng)絡(luò)好友推薦方法彌補(bǔ)了以用戶興趣為考察主體的推薦方法的不足的效果值得思考，國(guó)內(nèi)已有研究雖不多，但為進(jìn)一步深入探討提供了借鑒。期待好友推薦方法能更加多角度、多覆蓋地考察用戶關(guān)系，為社交網(wǎng)絡(luò)用戶提供更精準(zhǔn)的好友推薦結(jié)果?！?/p>

參考文獻(xiàn)：

[1]吳不曉，肖菁.基于用戶標(biāo)注行為的潛在好友推薦[J].計(jì)算機(jī)應(yīng)用，2015，35（6）：1663-1667.

[2]李全樂(lè).社交網(wǎng)絡(luò)的@行為用戶推薦方法研究[D].北京：北京理工大學(xué)，2015.

[3]過(guò)云燕，王宏志，張瑋奇.社交網(wǎng)絡(luò)中基于分類屬性的好友推薦[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（12）：99-106.

[4]蔣文麗，湯庸，許玉贏，等.社交網(wǎng)絡(luò)中角色活躍度的好友推薦[J].小型微型計(jì)算機(jī)系統(tǒng)，2016，37（10）：2162-2165.

[5]李天立.社交網(wǎng)絡(luò)中好友推薦技術(shù)的研究[D].大連：大連海事大學(xué)，2014.

[6]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.

[7]施少懷.一種基于用戶傾向的微博好友推薦算法[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

[8]趙釹森.基于用戶行為的動(dòng)態(tài)推薦系統(tǒng)算法研究及實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2013.

[9]陳獨(dú)伊.基于用戶情境的社交網(wǎng)絡(luò)推薦[D].上海：上海交通大學(xué)，2014.

[10]王立人.基于主題分析和社交圈發(fā)現(xiàn)的微博朋友推薦[D].昆明：昆明理工大學(xué)，2016.

[11]朱金奇，張兆年，馬春梅，等.基于地理近鄰關(guān)系的微博系統(tǒng)朋友推薦[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（13）：72-77.

[12]田恩菊.基于地理位置的朋友推薦研究[D].濟(jì)南：山東大學(xué).2017.

[13]朱榮鑫.基于地理位置的社交網(wǎng)絡(luò)潛在用戶和位置推薦模型研究[D].南京：南京郵電大學(xué)，2013.

[14]隋雪芹.基于社會(huì)媒體的用戶移動(dòng)軌跡挖掘及其在朋友推薦中的應(yīng)用研究[D].濟(jì)南：山東大學(xué)，2016.

[15]劉乾.基于社交網(wǎng)絡(luò)和地理位置信息的好友推薦方法研究[D].杭州：浙江大學(xué)，2013.

[16]王晨.基于位置的社交網(wǎng)絡(luò)好友推薦算法研究[D].北京：北京工商大學(xué)，2015.

[17]李林.基于位置的社交網(wǎng)絡(luò)潛在好友推薦系統(tǒng)研究[D].南寧：廣西大學(xué)，2016.

[18]李媛.基于位置的社交網(wǎng)絡(luò)推薦算法的研究與應(yīng)用[D].北京：中國(guó)科學(xué)院大學(xué)，2015.

[19]劉袁柳.面向LBSN的興趣點(diǎn)和用戶推薦方法研究[D].蘇州：蘇州大學(xué)，2015.

[20]李朔，石宇良.基于位置社交網(wǎng)絡(luò)中地點(diǎn)聚類推薦方法[J].山東大學(xué)學(xué)報(bào)，2016（3）：44-50.

[21]孫曉晨，徐雅斌.位置社交網(wǎng)絡(luò)的潛在好友推薦模型研究[J].電信科學(xué)，2014（10）：71-77.

[22]朱煦.移動(dòng)互聯(lián)網(wǎng)中好友推薦機(jī)制的研究[D].大連：大連理工大學(xué)，2014.