Who should you follow? Combining learning to rank with social influence for informative friend recommendation论文简介及其笔记| 论文笔记好用的论文笔记工具

Who should you follow? Combining learning to rank with social influence for informative friend recommendation

Vanessa He DSS(Decision Support Systems) 2016-06 2316 2017/06/08 22:05:33

现在，社交网站在给用户提供最新的信息方面已经越来越占领主导地位了，用户希望通过不断更新的信息被好友关注，也希望通过好友发布的信息及时关注好友，但是，社交网站中过多的好友更新信息会导致信息过载的问题，这可能会影响用户在社交网站上的关注度，从而可能导致用户的流失。而本文，研究提出一个基于学习的推荐方法，向用户推荐更新信息被用户喜欢的**有益好友（informative friend recommendation）**，学习排序技术分析用户行为并建立用户与更新之间的潜在偏好模型，同时，学习模型联合社交影响力来提高偏好。也就是说，好友更新的信息与目标用户的偏好有强联系的话，那么该有益用户就被推荐给目标用户。

**一、使用推荐系统方法实现好友推荐现状**
很多研究开始使用推荐系统方法为社交网站用户推荐好友。例如，hannon等人表示用户不断更新他们的发布，并且朋友间有相似的偏好，因此，可以向目标用户推荐那些发布相似内容的朋友。另外，shi等人把平均倒数排序转化成连续目标函数（平均倒数排序是一个用来评估产品推荐的排序质量的度量标准）。一个结合了矩阵分解和机器学习排序的模型被改进成最大化目标函数并向用户推荐朋友。CLiMF方法将一个朋友视为一个产品，并用用户-产品矩阵来模型化用户-朋友关系，然后使用成对机器学习排序算法从矩阵中抽取用户偏好，那么有着相似用户偏好的用户就被推荐给目标用户。Liao等人发展了一种在虚拟网络中基于分类的朋友推荐方法，他们表明如果用户趋向于加入相似类型的活动，那么在虚拟世界中他们往往加入了不同的活动或关系网中。因此，朋友推荐方法把用户接触的活动刻画成特征，并且构造一个基于这些特征的分类模型，从而实现预测朋友关系。
当使用连接预测和推荐系统方法的朋友推荐被应用于拓展用户的社交圈时，这一方法将会进一步加剧社交更新流的信息过载问题，这是因为这一方法简单的推荐真实世界朋友或者具有相似偏好的朋友，却忽视了好友的忠实度。社交更新流的信息过载问题越来越严重，以至于社交网站用户越来越烦恼大量的社交更新流信息。鉴于用户感知的效用影响了他们对于电子服务的忠诚，由于朋友推荐引起的信息过载会减小社交网站的热度和广告收益。因此，值得研究有益的朋友推荐。
鉴于社交更新流的信息过载问题，为了满足有限制的朋友推荐缺口，我们研究了有益的朋友推荐问题。有益朋友推荐是一种在之前的研究中未被提出的新的研究范式。如我们所知，wan等人在研究这一主题，他们的研究工作使用矩阵分解方法去向目标用户推荐有益的朋友，但是方法没有考虑到作为社交推荐关键因素的社交影响。本文中，使用矩阵分解和机器学习排序来抽取那些适应社交影响机制下不断更新的偏好。更新了对目标用户有益的信息的用户被认为是有益朋友并被推荐。

**二、利用社交流构建有益好友推荐模型**
下面便是本文建立的好友推荐模型，由偏好学习和有益好友关系估计两部分构成。在偏好学习部分里，隐用户反馈表示用户对社交更新的回复或者偏好，反馈被融合进pairwise learning to rank模型，并同时结合社交影响来构建偏好学习模型。有益好友关系估计部分主要受用户阅读偏好和更新分享的偏好有关，也就是说如果一个用户更新分享的偏好与目标用户的阅读偏好具有高相似性的话，那么该用户被视为有益好友并被推荐给目标用户。
![](http://www.datalearner.com/resources/blog_images/e1bcfd44-481f-43e1-97e4-eebf34e8e3d0.png)

**1、偏好学习**
本文的偏好学习结合了学习排序方法和社交影响来构建隐特征模型。

矩阵分解模型的目标函数表示如下：![](http://www.datalearner.com/resources/blog_images/52c9dfaf-54d5-4471-a1ba-3830cf2208c7.png)。这里，U={u1,u2,...,uM}表示社交网络网站中的用户集，V={v1,v2,...,vN}表示用户集U的更新信息，用户-产品矩阵R中的rij的含义是：如果rij=1，则表示用户ui对于更新信息有反馈（比如回复、评论、点赞或者转发），否则则rij=0。矩阵P是一个Z×M的矩阵，其中每一列pi表示用户ui的偏好向量，偏好维数为Z；同理，矩阵Q是一个Z×N的矩阵，其中每一列qi表示用户vj的信息分享偏好向量，ci和bj分别表示用户和产品偏差。

但是考虑到用户偏好受其好友的影响，本文的目标函数**结合社交影响构建目标函数**如下：
![](http://www.datalearner.com/resources/blog_images/3221bf3f-b0a6-48e9-959c-894db755c294.png)
这里的F(ui)表示用户ui的好友集，sig表示ug对ui的影响度。其中，αi表示社交影响权重。**本文采取了两种确定权重的策略，一个是用一个固定值来表示权重，另一个是会自适应ui社交度的社交影响策略**：![](http://www.datalearner.com/resources/blog_images/fc32b6ac-f0ec-4d68-89f6-feaa3f40a116.png)。这里的di+表示ui的外部影响度（用好友数计算），dg-表示ug在社交网络中的内部影响度。如果ui有很多好友，sig的值就会减小；如果ug被很多用户follow（可以理解为关注）或者sg是一个流行的、有影响力的用户的话（举例来看就是说sg的观点会影响si），那么sig的值就会增加。
另外，本文采取Ma等人的社会度量方法计算用户在社交网络中的社交关系：![](http://www.datalearner.com/resources/blog_images/33d048b3-5567-42b3-97ae-174fb0bacf05.png)。这里的sr社交正则化参数。其函数曲线如下：
![](http://www.datalearner.com/resources/blog_images/b658f370-9ae3-46db-81ef-11dece60f387.png)

至此，偏好学习模型的基本工作已经完成。下面，本文构建的偏好学习模型采用成对排序学习方法，并且通过Logistic损失函数来计算：
![](http://www.datalearner.com/resources/blog_images/d9d6d97a-f164-40c4-a21e-544834c24579.png)
其中，rix和riy来自偏好矩阵P和Q。用户ui训练更新对表示如下Di={(Vx,Vy)|Vx∈V,Vy∈V,rix﹥riy}，(Vx,Vy)总是表示产品Vx比Vy有更高的优先偏好。

所以，综合上面的目标函数和偏好学习模型，本文的偏好学习目标就是通过最小化以下的损失函数F确定P和Q：
![](http://www.datalearner.com/resources/blog_images/5f1be5bc-e4f0-44b8-b2f0-1bbbb3a3ddda.png)

接下来，**对于损失函数的求解就是推荐问题惯用的随机梯度下降的方法**进行处理，此处不做解释，请参考论文原文。

**2、有益好友关系估计**
当P和Q收敛之后，构建uj的分享偏好向量hj如下：
![](http://www.datalearner.com/resources/blog_images/02cd36d3-e5ae-4e92-93bc-ca5f60f6bffe.png)
这里的S(uj)表示用户uj分享的更新信息集，qn表示更新信息vn的偏好向量。ui与uj之间的偏好相似性计算利用**余弦相似性**来计算，如下所示：![](http://www.datalearner.com/resources/blog_images/da403078-57a2-41ba-851f-f2ec93c887f2.png)
最终在推荐有益好友的时候，是根据上面的cos值进行用户排序，然后再推荐top-N的用户的。

赏

支付宝扫码打赏

如果文章对您有帮助，欢迎打赏鼓励作者