求剧情
推荐系统实践 · 第二十七节

《推荐系统实践》第二十七节

本节介绍社交网站中的信息流推荐与好友推荐。信息流推荐方面,Facebook的EdgeRank算法根据会话的时间衰减、行为权重和用户间熟悉度计算权重,但只考虑社会兴趣……

本节介绍社交网站中的信息流推荐与好友推荐。

信息流推荐方面,Facebook的EdgeRank算法根据会话的时间衰减、行为权重和用户间熟悉度计算权重,但只考虑社会兴趣,未纳入内容与个人兴趣的匹配。GroupLens的研究者JilinChen提出综合会话长度、用TF-IDF度量的话题相关性以及用户熟悉度的排名算法,并通过用户调查对比了随机、长度、话题、好友及其组合五种推荐策略。结果显示,兼顾话题与好友因素的组合得分最高,其中以寻信息为目的的用户更看重话题相关性,以交友为目的的用户更看重好友参与度。

好友推荐方面,Twitter、LinkedIn、Facebook等网站均已配置该功能,算法上称为链接预测。常见方法包括基于内容属性(人口统计、兴趣、位置)的匹配、基于共同兴趣的推荐(复用UserCF等算法),以及基于社交网络图的推荐,如用共同好友比例、有向关注关系等定义用户相似度。离线实验在Slashdot等数据集上评测了不同相似度的召回率与准确率,表明算法效果因数据集而异,需在实际数据上比较选择。

‹ 上一章目录下一章 ›

全部 32 章