基于社交网络的推荐算法优化

基于社会网络的推荐方法也称为社会化推荐方法，是将社会网络理论应用于推荐系统中，将用户的社会属性如朋友、亲人、交流、爱憎等信息用于推荐决策，在缓解传统推荐系统的数据稀疏性和冷启动问题的同时，提高推荐系统的推荐准确度、效率及推荐的可靠性。

结合传统推荐系统的概念，基于社会网络的推荐方法研究的问题为在具有确定性社会关系的用户群体中，根据用户的项目评分矩阵，为用户推荐满足其个性化需求、效用度最大的项目集I*[118]。如公式2-16所示。

其中，U为所有用户的集合，I为所有项目的集合；设为所有用户社会关系矩阵，映射μ：U×I→R为推荐结果的评价效用函数，其中，R是一定范围内的全序非负实数集，称为推荐的效用值。表示与用户ux存在社会关系的用户总数。(www.xing528.com)

Yan Wang等人（2015）[119]将用户的个人偏好和领域熟悉度作为独立社交上下文，将用户间的信任、社交亲密度和交互上下文作为依赖社交上下文，提出了一种新的概率方法来计算用户间的上下文信任度，然后进行服务推荐，并根据推荐结果来更新用户社交网络的信任数据和偏好数据。Magdalini Eirinaki等人（2013）[120]基于友谊、信任、不信任因素来计算用户间的直接联系，而利用用户评论、兴趣和不感兴趣等因素来计算用户间的隐含联系，综合生成用户的个性化声誉及信任值，最后为目标用户进行服务推荐。Shuiguang Deng等人（2014）[121]利用矩阵分解方法来计算社会网络中的用户信任程度，然后采用扩展的随机游走算法来为目标用户进行服务推荐。张志军等人（2015）[122]基于用户的移动社交网络及上下文信息，提出了一种融合多维异构上下文信息的服务推荐算法，为目标用户进行下一个时间的位置兴趣点推荐。