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社會影響力，而使用者的出度代表了乙個使用者關注的使用者數。從下圖可以看出，乙個社交網路中影響力大的使用者總是佔少數，同時關注很多人的使用者佔少數，而絕大多數只關注很少的人。
使用者入度分布
使用者出度分布
當然，社會化推薦有時候也有一定的缺點，主要是不一定提高推薦演算法的離線精度，因為社交網路中好友關係不是基於共同興趣產生的，所以使用者好友的興趣往往和使用者的興趣不一致。
其中out(u)是使用者u的好友集合，如果使用者v喜歡物品i，則rvi=1，否則rvi=0。不過，即使都是 使用者u的好友，不同的好友和使用者u的熟悉程度和興趣相似度也是不同的。因此，我們應該在推薦 演算法中考慮好友和使用者的熟悉程度以及興趣相似度:
這裡，wuv 由兩部分相似度構成，一部分是使用者u和使用者v的熟悉程度，另一部分是使用者u和用 戶v的興趣相似度。熟悉度可以用使用者之間的共同好友比例來度量：
而興趣相似度可以通過和usercf類似的方法度量，即如果兩個使用者 喜歡的物品集合重合度很高，兩個使用者的興趣相似度很高。
在社交**中存在兩種關係，一種是使用者對物品的興趣關係，一種是使用者之間的社交網路關係。使用者的社交網路可以表示為社交網路圖，使用者對物品的行為可以表示為使用者物品二分圖，而這兩種圖可以結合成乙個圖。如下圖所示：
在定義完圖中的頂點、邊和邊的權重後，我們就可以利用基於隨機遊走的personalrank圖排序演算法給每個使用者生成推薦結果。
利用社交網路資料
基於社交網路的推薦可以很好模擬現實社會，因此本文簡單介紹下如何利用社交網路資料進行個性化推薦。一般獲取社交網路資料的途徑有電子郵件 使用者註冊資訊 使用者的位置資料 論壇和討論組 即時聊天工具和社交 又分為以社會身份為主的社交圖譜和以興趣為主的興趣圖譜 社交網路資料一般分為三類，一類是雙向確認的社交...
推薦系統實戰第六章 利用社交網路資料
推薦系統實戰第六章 利用社交網路資料 1 獲得社交網路資料的方式 1 電子郵件。電子郵箱的字尾，是都來自同乙個組織 公司等。2 使用者註冊資訊。使用者在哪家公司工作 學習過等。的社交網路資料。3 使用者的位置資料。ip位址 gps資料 4 論壇和討論組。是否對同樣的事情感興趣。5 即時聊天工具。6 ...
社交網路的好友推薦
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cont...