我們平時光計算使用者的關係親密度，比如兩者的sns互動次數、媒介場景關係度、地理位置相關度，這些缺陷都很依賴使用者之間的活躍程度。後來又有人提出了好友的好友、圈子、共同興趣、共同話題等方面角度進行研究。實際場景中我們也是會結合 「社交」+「興趣」兩點平衡，找到乙個比較融合的權衡，推薦使用者感興趣的content。
缺點也是顯而易見的,
如果使用者好友人數不夠多, 那麼無論是為其推薦其他好友或者將其推薦給其他人都會變得很難
。其次是該演算法只是關注「 人」 的因素而忽略了其他因素, 可能影響所推薦好友的準確性。
最簡單的好友推薦演算法是為使用者推薦共同好友數最多的使用者。其基本思想是, 使用者之間的共同好友越多, 則他們越可能是好友。由於這種方法受使用者好友總數影響較大, 因此通常根據共同好友比例計算相似度來推薦好友。
採用出度的方法, 使用者u和使用者v的共同好友比例fuv表示為:
使用者u與使用者v之間的互動情況iuv可以用兩者之間互動次數佔使用者u和使用者v全部互動行為的比例來表示, 本文提出的互動比例計算方法如下:
3、社交興趣度
4、興趣相似性
n為使用者總數, ni為包含ei的使用者數目。
使用者之間的興趣相似度可以通過興趣特徵向量之間的余弦相似度計算如下:
興趣圖譜是動態的, 其變化通常會反映在歷史行為中。興趣圖譜反映了使用者的興趣偏好,
社交興趣度和興趣相似度分別按最大值歸一化。
綜合社交關係和興趣偏好的最終評分可表示如下:
實驗比較了基於共同好友比例、基於興趣相似度、基於共同好友比例和興趣相似度以及基於社交和興趣相似度4種好友推薦演算法的效能。
利用社交網路資料進行推薦
原創 石曉文 本篇的思維導圖如下 一般來說，有3種不同的社交網路資料 雙向確認的社交網路資料 一般通過無向圖表示 單向關注的社交網路資料 使用者關係是單向的，可以通過有向圖表示 基於社群的社交網路資料 比如豆瓣小組 社交網路資料中也存在長尾分布，主要根據使用者的入度和出度，使用者的入度反映了使用者的...
推薦演算法之好友推薦
寫點自己的理解，大牛請直接略過。好友推薦裡有推薦一些你可能認識的人，其中二度人脈是其中一種。比如 何炅和謝娜 在微博上相互關注，那用二度人脈的方法就是找和謝娜相互關注的人 如 張杰，海濤，某人 這時候 張杰，海濤，某人 就是何炅的二度人脈，排除掉何炅已經相互關注的張杰，剩下 張杰和某人 於是何炅發現...
你在社交網路上的好友值多少錢？
對於很多人來說，不值乙個漢堡。呃，sorry，其實還不到乙個漢堡 更精確地講，應該是十分之一個漢堡。2009 年，美式快餐連鎖品牌漢堡王 burger king 在當時最流行的社交網路 facebook 上發起了一次營銷活動，只要完成特定的任務就可以贏取乙個免費得皇堡 whopper 兌換券。當時承...