姚金平

摘要：隨著web2.0時(shí)代的到來(lái)，互聯(lián)網(wǎng)產(chǎn)業(yè)得到了飛速發(fā)展，帶來(lái)了數(shù)據(jù)量的指數(shù)型增長(zhǎng)。激增的數(shù)據(jù)量超過了人們的數(shù)據(jù)處理能力，從而導(dǎo)致了信息過載的問題。為了解決信息過載等問題，個(gè)性化推薦系統(tǒng)隨之而產(chǎn)生。個(gè)性化推薦系統(tǒng)作為解決信息過載問題的有效技術(shù)，收到了廣泛的關(guān)注。文章從“朋友推薦”和“互惠推薦”的角度，對(duì)現(xiàn)有的研究進(jìn)行了總結(jié)和評(píng)估，提出了目前推薦系統(tǒng)尚未解決的問題。

關(guān)鍵詞：信息過載;個(gè)性化推薦;朋友推薦;互惠推薦

一、引言

為了解決信息過載問題，人們建立了以關(guān)鍵字搜索為核心的搜索引擎。搜索引擎雖然在一定程度上緩解了信息過載的問題，但是由于自身的局限性，未能夠解決人們對(duì)信息搜索高效需求。因?yàn)閭鹘y(tǒng)的搜索引擎需要用戶有明確的目標(biāo)，再根據(jù)用戶輸入目標(biāo)關(guān)鍵詞來(lái)搜索關(guān)鍵詞的相關(guān)內(nèi)容。但是，現(xiàn)實(shí)中用戶瀏覽網(wǎng)頁(yè)時(shí)往往沒有特定的目標(biāo)，只是粗略的尋找自己可能感興趣的信息，不能高效的獲取用戶所需要的信息，所以簡(jiǎn)單的關(guān)鍵字搜索無(wú)法高效的滿足用戶對(duì)信息的需求。再者，傳統(tǒng)搜索引擎不能滿足用戶的個(gè)性化信息服務(wù)需求，傳統(tǒng)的搜索引擎對(duì)關(guān)鍵字搜索結(jié)果對(duì)于所用的用戶都是相同的。搜索引擎在本質(zhì)上是一種針對(duì)大眾的通用性需求提供的被動(dòng)式服務(wù)工具，所以它無(wú)法滿足用戶的個(gè)性化需求。因此人們需要一種既能滿足用戶個(gè)性化需求又能達(dá)到信息過濾效果的工具，在此情況下，個(gè)性化推薦系統(tǒng)出現(xiàn)在人們的視野中。

二、推薦系統(tǒng)

推薦系統(tǒng)作為個(gè)性化服務(wù)的重要領(lǐng)域，通過挖掘用戶和項(xiàng)目之間的關(guān)系，為用戶提供可能感興趣的信息、服務(wù)。上下文感知推薦系統(tǒng)作為推薦系統(tǒng)研究中的重要領(lǐng)域之一，進(jìn)一步提高了推薦系統(tǒng)的準(zhǔn)確性。王立才等人對(duì)上下文感知推薦系統(tǒng)近幾年來(lái)的發(fā)展做了一個(gè)詳細(xì)的綜述，對(duì)其系統(tǒng)框架、關(guān)鍵技術(shù)、主要模型、效用評(píng)價(jià)以及應(yīng)用實(shí)踐等進(jìn)行了前沿概括、比較和分析，同時(shí)也指出目前對(duì)于上下文感知推薦方面存在冷啟動(dòng)等問題。Alhabashneh等學(xué)者則是在企業(yè)信息系統(tǒng)中利用上下文感知信息選擇與查詢主題相關(guān)的最相關(guān)的文檔和專家。對(duì)于推薦系統(tǒng)數(shù)據(jù)稀疏導(dǎo)致準(zhǔn)確率低的問題，Amman，Jordan提出了一種基于用戶的多標(biāo)準(zhǔn)推薦方法，將項(xiàng)目的多標(biāo)準(zhǔn)評(píng)級(jí)與用戶的信任信息相結(jié)合，用來(lái)緩解基于用戶的CF技術(shù)問題。Li，F(xiàn)ang等人定義推薦鏈接的效用并制定一個(gè)新的研究問題—基于效用的鏈接推薦問題，用來(lái)解決現(xiàn)有的鏈接推薦方法只推薦了可能由用戶建立的鏈接，但忽略了推薦鏈接可能給運(yùn)營(yíng)商帶來(lái)好處的問題。

三、朋友推薦

在為用戶提供優(yōu)質(zhì)的個(gè)性化推薦服務(wù)的前提下，保護(hù)用戶隱私數(shù)據(jù)亟不可待。更多的網(wǎng)絡(luò)用戶愿意與有共同利益的人交換信息，而并不是所有的陌生人。因此，在這種需求下，就需要個(gè)性化推薦系統(tǒng)更加注重對(duì)于用戶隱私信息的保護(hù)?；趯?duì)用戶隱私的保護(hù)，因此就需要一個(gè)用戶行為安全的個(gè)性化推薦系統(tǒng)。

社交網(wǎng)絡(luò)正在成為日益流行的信息共享媒體。越來(lái)越多的人通過Twitter和Flickr等主要社交網(wǎng)站與他人互動(dòng)。Yu等提出了一種新穎的朋友推薦方法ACR-FoF（代數(shù)連接正規(guī)化朋友的朋友），考慮了網(wǎng)絡(luò)中的成功率和內(nèi)容傳播，該算法顯著改善社交網(wǎng)絡(luò)中的內(nèi)容傳播，但是對(duì)朋友推薦成功率只有很小的推動(dòng)。社會(huì)網(wǎng)絡(luò)已被公認(rèn)為在過去的研究中增強(qiáng)超重和肥胖干預(yù)的有效方法。Li將社交網(wǎng)絡(luò)和減肥整合，使用減肥應(yīng)用程序獲得的數(shù)據(jù)開發(fā)了一個(gè)用于朋友推薦的測(cè)量方法;設(shè)計(jì)方法來(lái)模擬體重增加相關(guān)行為;構(gòu)建了一個(gè)新穎的“行為網(wǎng)絡(luò)”。在虛擬世界中用戶更加傾向于向現(xiàn)實(shí)世界聯(lián)系更少的朋友建立聯(lián)系。Liao開發(fā)了一個(gè)基于虛擬世界中用戶相似性和聯(lián)系強(qiáng)度的虛擬朋友推薦方法，用戶在虛擬世界中的聯(lián)系活動(dòng)被表征為動(dòng)態(tài)特征和聯(lián)系類型來(lái)獲取他們?cè)诨谕ㄐ牛谏缃?，基于交易，任?wù)的聯(lián)系方面的優(yōu)勢(shì)和基于關(guān)系的聯(lián)系人類型。Li定義推薦鏈接的效用并制定一個(gè)新的研究問題——基于效用的鏈接推薦，用來(lái)解決現(xiàn)有的鏈接推薦方法只推薦了可能由用戶建立的鏈接，但忽略了推薦鏈接可能給運(yùn)營(yíng)商帶來(lái)的好處的問題。朋友推薦是社交網(wǎng)絡(luò)和實(shí)際應(yīng)用中的基礎(chǔ)服務(wù)，受用戶行為（如互動(dòng)，興趣和活動(dòng)）的影響。Gong設(shè)計(jì)了一種混合型多個(gè)人推薦模型Friend ++，通過無(wú)縫地使用社交關(guān)系，行為背景和個(gè)人信息，將加權(quán)平均方法（WAM）集成到隨機(jī)游走（RW）框架中。Zhang提出了一種特征提取 - 極限學(xué)習(xí)機(jī)（FE-ELM）模型，利用社交網(wǎng)絡(luò)原有的社會(huì)屬性和文本屬性，和時(shí)空屬性來(lái)向用戶推薦感興趣或熟悉的人。

四、互惠推薦

推薦系統(tǒng)在為用戶提供個(gè)性化服務(wù)的同時(shí)，為了提高推薦的準(zhǔn)確率，考慮用戶-項(xiàng)目二元關(guān)系共同的特征，從而進(jìn)行雙向匹配。Sankalp提出了一個(gè)互惠推薦系統(tǒng)，它根據(jù)年齡，地點(diǎn)，性別，資格，興趣等屬性屬性來(lái)匹配相互感興趣并且可能相互溝通的學(xué)習(xí)者。為解決傳統(tǒng)推薦算法無(wú)法實(shí)現(xiàn)用戶與項(xiàng)目之間雙向推薦的問題，引入互惠推薦的概念來(lái)擴(kuò)展傳統(tǒng)推薦算法。Shani G根據(jù)招聘系統(tǒng)中簡(jiǎn)歷傳遞的具體基礎(chǔ)和挖掘用戶的潛在偏好信息，提出隱式偏好函數(shù)計(jì)算方法。然后，基于對(duì)計(jì)算相似度中用戶顯式和隱式偏好信息的不同影響的考慮，提出了一種基于這兩種偏好信息相結(jié)合的相似度計(jì)算方法。最后，相互推薦是根據(jù)相應(yīng)的價(jià)值從高到低來(lái)實(shí)現(xiàn)的。

社交網(wǎng)站通過用戶之間是否有相同屬性信息或公共鄰居判斷他們能否成為朋友，但是由于用戶注冊(cè)信息不完善和對(duì)公共鄰居之間關(guān)系的忽略，導(dǎo)致推薦的準(zhǔn)確度不高，提出了社交圈檢測(cè)算法，王 玙等定義用戶間的社交圈相似性，基于社交圈相似程度為用戶推薦新朋友。消費(fèi)者行為和市場(chǎng)研究表明，用戶與其他社交關(guān)聯(lián)用戶之間的品牌偏好的相似性也影響用戶的采用決策。Luu等提出了一種稱為社交品牌-項(xiàng)目-主題（SocBIT）的新模型，將個(gè)人和社交品牌相關(guān)因素?zé)o縫集成到推薦過程中。人與人之間的推薦人不同于傳統(tǒng)的用戶與項(xiàng)目之間的推薦，因?yàn)樗麄儽仨殱M足雙方。Pizzato確定互惠推薦者的特征并將其與傳統(tǒng)推薦者進(jìn)行比較，提出了一系列在線約會(huì)領(lǐng)域內(nèi)基于內(nèi)容的互惠推薦者的研究和評(píng)估。

五、總結(jié)與展望

個(gè)性化推薦系統(tǒng)已經(jīng)成為緩解信息過載等問題的有利工具。與傳統(tǒng)搜索引擎相比，個(gè)性化推薦能夠主動(dòng)收集用戶的特征資料，挖掘潛在的用戶信息，有效的為用戶推薦其可能感興趣的物品。本文圍繞“朋友推薦”和“互惠推薦”對(duì)個(gè)性化推薦系統(tǒng)進(jìn)行了綜述。不同于人與物的推薦，朋友推薦需滿足推薦雙方的偏好。因此，此類推薦需要關(guān)注推薦雙方的個(gè)性特點(diǎn)。

個(gè)性化推薦是基于龐大的數(shù)據(jù)支持下進(jìn)行的信息整合，從而為網(wǎng)絡(luò)用戶或者商家提供更加準(zhǔn)確高效的推薦。目前，個(gè)性化推薦系統(tǒng)已經(jīng)成功運(yùn)用于各個(gè)領(lǐng)域，例如電子商務(wù)領(lǐng)域、音樂領(lǐng)域、電影領(lǐng)域等。但是與此同時(shí)個(gè)性化推薦也會(huì)面臨各種問題。例如，在為用戶提供更加豐富信息服務(wù)以及技術(shù)的同時(shí)，也同樣需要保護(hù)好用戶的個(gè)人隱私。基于以上要求，就需要個(gè)性化推薦系統(tǒng)進(jìn)行技術(shù)革新，以便更好更快的滿足社會(huì)的需求。

參考文獻(xiàn)：

[1]Gong， J.， et al.， Integrating a weighted-average method into the random walk framework to generate individual friend recommendations[J].ence China Information ences， 2017，60（11）：39-60.

[2]Bell R M ， Koren Y. Lessons from the Netflix prize challenge[J].ACM SIGKDD Explorations Newsletter，2007，9（02）：75.

[3]王立才，孟祥武，張玉潔.上下文感知推薦系統(tǒng)[J].軟件學(xué)報(bào)，2012（01）：1-20.

[4]Alhabashneh O， Iqbal R， Doctor F， et al. Fuzzy rule based profiling approach for enterprise information seeking and retrieval[J].Information ences，2017，394-395：18-37.

[5]Yu Z，Wang C，Bu J，et al. Friend recommendation with content spread enhancement in social networks[J].Information ences，2015，309：102-118.

[6]Li A， Ngai E W T， Chai J. Friend recommendation for healthy weight in social networks[J].Industrial Management & Data Systems，2015，115（07）：1251-1268.

[7]Liao， H.-Y.， K.-Y. Chen， and D.-R.Liu， Virtual friend recommendations in virtual worlds[J].Decision Support Systems，2015，69：59-69.

[8]Li， Z.， et al.， Utility-Based Link Recommendation for Online Social Networks[J].Management Science，2017，63（06）：1938-1952.

[9]Gong，J.，et al.，Integrating a weighted-average method into the random walk framework to generate individual friend recommendations[J].Science China Information Sciences，2017，60（11）：110.

[10]Zhang， Z.， X. Zhao， and G. Wang， FE-ELM： A New Friend Recommendation Model with Extreme Learning Machine[J].Cognitive Computation，2017，9（05）： 659-670.

[11]Reusens M， Lemahieu W， Baesens B ， et al. Evaluating recommendation and search in the labor market[J].Knowledge-Based Systems，2018，152：62-69.

[12]Koren Y. Factor in the neighbors： Scalable and accurate collaborative filtering[J].Acm Transactions on Knowledge Discovery from Data，2010，04（01）：1-24.

[13]Shani G， Gunawardana A. Evaluating Recommendation Systems[J].2011.

[14]Reusens M， Lemahieu W， Baesens B， et al. A note on explicit versus implicit information for job recommendation[J]. Decision support systems，2017，98（06）：26-35.

[15]王王與，高琳.基于社交圈的在線社交網(wǎng)絡(luò)朋友推薦算法[J].計(jì)算機(jī)學(xué)報(bào)，2014（04）：801-808.

[16]Luu，M.-D. and E-P.Lim，Luu M D，Lim E P. Do your friends make you buy this brand？[J].Data Mining and Knowledge Discovery，2018，32（02）：287-319.

[17]Pizzato L ， Rej T ， Akehurst J ， et al. Recommending people to people： the nature of reciprocal recommenders with a case study in online dating[J]. User Modeling and User-Adapted Interaction， 2013， 23（05）：447-488.

（作者單位：昆明理工大學(xué)管理與經(jīng)濟(jì)學(xué)院）