推荐系统实践---第六章:利用社交网络数据
2017-12-25 15:58
471 查看
下面简单介绍书中提到的问题以及有哪些解决办法,方便大家对正本书有个整体的把握,同时我也会上传这本书的高清PDF版,本来想不用积分下载,但是系统最少2个,要是哪位没有积分,可以私信我。下载链接如下:
http://download.csdn.net/download/wtt561111/10163609
其他章节内容
推荐系统实践---第一章:好的推荐系统
推荐系统实践---第二章:利用用户行为数据
推荐系统实践---第三章:推荐系统冷启动问题
推荐系统实践---第四章:利用用户标签数据
推荐系统实践---第五章:利用上下文信息
推荐系统实践---第六章:利用社交网络数据
推荐系统实践--第七章:推荐系统实例 第八章:评分预测问题
美国著名的第三方调查机构尼尔森调查了影响用户相信某个推荐结果的因素,90%的用户详细朋友对他们的推荐。基于社交网络的推荐可以很好的模拟现实社会。所以利用社交网络数据进行推荐可以增加用户对系统的信任度。另外利用用户在社交网络的数据可以解决冷启动问题。
6.1 获取社交网络数据的途径
主要方式:电子邮件(联系人);用户在系统的注册信息(居住地和工作地);用户的位置信息(网页的IP和手机的GPS);论坛和讨论组(豆瓣);即时聊天工具(QQ);社交网站(以Twitter为代表的兴趣图谱和以Facebook为代表的社交图谱)。
6.2 社交网络数据简介
用图定义社交网络:用图G(V,E,w)定义一个社交网络,V表示顶点集合,表示用户,E是边集合,表示两个用户是否有关系,w表示了边的权重。以Facebook为代表的需要双向确认的网络,可以用无向图表示;以Twitter为代表的社交网络只需要单方面关注,所以需要用有向图表示。
社交网络数据:双向确认;单向关注;基于社区的社交网络数据(同一个公司的人);
社交网络数据中的长尾分布:用户的出度和入度都服从长尾分布。横坐标表示出度x,纵坐标表示出度为x的用户的数量f(x)。
6.3 基于社交网络的推荐
基于社交网络的推荐算法:基于领域的推荐;基于图的推荐;
信息流推荐:每个用户都有一个信息墙,展示了用户的好友最近的言论。信息流的个性化推荐就是进一步帮助用户从信息墙中挑选有用的信息。目前最流行的信息流推荐算法时Facebook的EdgeRank。
6.4 给用户推荐好友
好友推荐算法再社交网络被称为链路预测,这里讨论比较简单和直观的算法。
基于内容的匹配:常用内容属性包括,用户的人口统计学属性;用户的兴趣(喜欢的物品和发布过的言论);用户的位置信息;
基于共同兴趣的好友推荐:利用UserCF的思想,如果两个用户喜欢相同的物品(比如微博),就说明他们具有相似的兴趣;此外,也可以根据用户在社交网络中的发言提取用户的兴趣标签,来计算用户的兴趣相似度。
基于图的还有推荐:通过用户u和用户v的出度和入度,定义Wuv。根据相似度Wuv进行推荐。
http://download.csdn.net/download/wtt561111/10163609
其他章节内容
推荐系统实践---第一章:好的推荐系统
推荐系统实践---第二章:利用用户行为数据
推荐系统实践---第三章:推荐系统冷启动问题
推荐系统实践---第四章:利用用户标签数据
推荐系统实践---第五章:利用上下文信息
推荐系统实践---第六章:利用社交网络数据
推荐系统实践--第七章:推荐系统实例 第八章:评分预测问题
美国著名的第三方调查机构尼尔森调查了影响用户相信某个推荐结果的因素,90%的用户详细朋友对他们的推荐。基于社交网络的推荐可以很好的模拟现实社会。所以利用社交网络数据进行推荐可以增加用户对系统的信任度。另外利用用户在社交网络的数据可以解决冷启动问题。
6.1 获取社交网络数据的途径
主要方式:电子邮件(联系人);用户在系统的注册信息(居住地和工作地);用户的位置信息(网页的IP和手机的GPS);论坛和讨论组(豆瓣);即时聊天工具(QQ);社交网站(以Twitter为代表的兴趣图谱和以Facebook为代表的社交图谱)。
6.2 社交网络数据简介
用图定义社交网络:用图G(V,E,w)定义一个社交网络,V表示顶点集合,表示用户,E是边集合,表示两个用户是否有关系,w表示了边的权重。以Facebook为代表的需要双向确认的网络,可以用无向图表示;以Twitter为代表的社交网络只需要单方面关注,所以需要用有向图表示。
社交网络数据:双向确认;单向关注;基于社区的社交网络数据(同一个公司的人);
社交网络数据中的长尾分布:用户的出度和入度都服从长尾分布。横坐标表示出度x,纵坐标表示出度为x的用户的数量f(x)。
6.3 基于社交网络的推荐
基于社交网络的推荐算法:基于领域的推荐;基于图的推荐;
信息流推荐:每个用户都有一个信息墙,展示了用户的好友最近的言论。信息流的个性化推荐就是进一步帮助用户从信息墙中挑选有用的信息。目前最流行的信息流推荐算法时Facebook的EdgeRank。
6.4 给用户推荐好友
好友推荐算法再社交网络被称为链路预测,这里讨论比较简单和直观的算法。
基于内容的匹配:常用内容属性包括,用户的人口统计学属性;用户的兴趣(喜欢的物品和发布过的言论);用户的位置信息;
基于共同兴趣的好友推荐:利用UserCF的思想,如果两个用户喜欢相同的物品(比如微博),就说明他们具有相似的兴趣;此外,也可以根据用户在社交网络中的发言提取用户的兴趣标签,来计算用户的兴趣相似度。
基于图的还有推荐:通过用户u和用户v的出度和入度,定义Wuv。根据相似度Wuv进行推荐。
相关文章推荐
- 推荐系统实践---第二章:利用用户行为数据
- 推荐系统实践---第四章:利用用户标签数据
- 推荐系统实践-利用用户行为数据
- 推荐系统实践阅读笔记——第二章 利用用户的行为数据
- 推荐系统(利用用户行为数据 )
- 团队项目推荐:基于社交网络的自动音乐推荐系统——by ZhongXia
- Android网络编程实践之旅(五):利用系统浏览器打开网页
- 推荐系统实践---第五章:利用上下文信息
- 推荐系统——利用用户标签数据
- 数据挖掘-二分网络上的链路预测:兴趣推荐系统-电影推荐
- 腾讯公司数据分析岗位的hadoop工作 线性回归 k-means算法 朴素贝叶斯算法 SpringMVC组件 某公司的广告投放系统 KNN算法 社交网络模型 SpringMVC注解方式
- 【社交系统ThinkSNS+研发日记】Laravel Model 利用 Macroable 为数据模型添加宏能
- 机器学习->推荐系统->利用用户标签数据
- 腾讯公司数据分析岗位的hadoop工作 线性回归 k-means算法 朴素贝叶斯算法 SpringMVC组件 某公司的广告投放系统 KNN算法 社交网络模型 SpringMVC注解方式
- 推荐系统(三) —— 利用用户行为数据 —— 隐语义模型
- 推荐系统实践第四章: 利用用户标签
- 【社交系统ThinkSNS研发日记十二】Laravel Model 利用 Macroable 为数据模型添加宏能力
- 推荐系统(二) —— 利用用户行为数据 —— 基于领域的算法
- 当当推荐数据系统架构实践