社会网络环境下的信息推荐研究述评，本文主要内容关键词为：述评论文,环境论文,社会论文,网络论文,信息论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
交互式理念和技术的广泛应用，为用户构建了接近于现实的虚拟社会，形成了以用户关系为核心的社会网络环境，传统的信息推荐方式已不再适应新的服务要求。信息推荐服务作为服务中满足用户个性化需求的基础服务，其服务方式和手段的变革与改进成为一项重要的研究课题。
围绕社会网络环境下的推荐实现（称之为社会化推荐）问题，国内外研究机构和学者展开了一系列研究，取得了重要的理论和应用成果，推进了“以用户及关联关系为中心”[1]的信息获取、处理和传播乃至知识创新等服务理论和实践。本文主要从国内外社会化推荐研究的相关论文、专著、报告等出版物入手，系统总结当前社会网络环境下信息推荐的研究现状，并指出其中的研究不足和相应的发展对策。
1 国外研究进展
早在1998年，Basu等人就指出社会化推荐服务主要是利用用户的社会化行为和用户最近邻居关系进行信息推荐的一种方式[2]。近10年来，国外学者大多从社会网络（网络结构、关系网络、信任关系等）、社会标签（标注、书签等）、社会化行为（分享、评论等）等角度出发，展开社会网络环境下的信息推荐研究，发文量和引文量的增长速度都较快。
1.1 传统推荐瓶颈与用户关系的作用机制
社会网络环境下，用户因社会化需求及交互行为而形成了复杂的关系网络；传统的推荐系统过多地集中于其功能设计，忽略了社会关系在信息推荐中的作用[3]，无法有效解决稀疏性等问题，无法适应用户需求的多重变化，推荐效果较差[4]。
众多学者试图将“关系”引入信息推荐中，从各个角度分析了用户关系对信息流机制的作用，特别是对用户偏好和决策的变化、信息传播和推荐的作用机制。Konstas等探讨了社会关系网络与协同推荐之间的作用机制，提出将用户社会化标注行为所产生的好友关系嵌入协同推荐系统中，以适应用户动态变化的个性化需求；在last.fm中的实验表明，其效果优于传统的协同过滤方法[5]。Zhao和Xie通过调查分析了用户关系对长期和近期消费决定的影响；指出用户的推荐能够导致较大的偏好变化，特别是对用户做远期消费决策影响更大，关系近的人所产生的推荐影响力并不总是比关系远的人大，而是关系近的人对近期决策影响大，关系远的人对远期影响大[6]。
1.2 基于关系网络的推荐
从社会化网络服务（如Facebook、OpenSocial）中提取用户需求趋向的相似性、用户的交互行为[7]等社会网络数据，发现和构建用户关系网络和社区群组，对于修正推荐结果、提高准确度[8]具有重要作用。国外学者纷纷将社会网络作为推荐系统的重要数据源[9]。
Kazienko和Musial提出了一种基于社会化网站的推荐框架，通过分析用户行为和用户关系达到准确推荐的目的[10]。Groh和Ehmig通过实证发现，通过社会关系网络生成的推荐在准确度和性能方面优于传统的协同过滤推荐[11]。Jung等提出通过用户关系（特别是同属关系）标记每个用户，然后将用户关系聚合为社会关系网，以此提供个性化服务，目前已应用于韩国的免费通信项目中[12]。Tokarchuk提出了一种关系本体和基于信息项协同过滤结合的社会化推荐算法[13]。Cai指出应激励用户主动参与推荐，构建相似用户之间的关联关系，有效提高推荐的效果和准确性[14]。Wei等通过实证发现，在用户没有明确的需求偏好情况下，通过其关系网络能够持续修正和调整推荐结果[15]。
用户的社区群组关系也在信息推荐中被广泛利用，Quijano-Sanchez在异质性群体中的电影推荐研究中，分析了用户社区群组的组成及其网络拓扑结构对推荐的影响，提出了将用户特性和用户群体关系相结合的推荐思路[16]。Hu等更进一步从网络拓扑的角度分析用户（节点）在网络中的社会影响力，从而找出对目标用户推荐具有真正影响的其他用户。实验得出，此方法在性能上明显优于其他方法，且能够有效解决标签推荐中的冷启动问题[17]。
1.3 基于标签标注的推荐
社会化标签不仅能够提供内容的摘要信息，也代表了用户的需求趋向，因此能够带来更好的个性化推荐[18]。目前，社会化标签网站中的标签大量冗余，且用户标注的随意性也导致了推荐准确性不高。因此，向用户推荐恰当的标签以及从标签出发进行推荐模型和系统设计成为目前研究的一个新热点。
用户所标注的标签大多为非可控词汇，产生了标签冗余及模糊性，导致推荐不准确；标签聚类[19]或分类能够有效地解决标签标注混乱问题，而且能够识别用户的真实意图，能够提升推荐的准确性[20]。Sasaki等分析了社会化书签推荐中标签大众分类方法（folksonomy）的不足（如标签无法表示信息项的全部基本信息），可以依据标签对信息项进行分类，进而计算其信息项类的相似度，以此提高推荐的准确度[21]。Dattolo等将用户、标签和信息资源划分到不同的领域，然后针对特定的用户需求领域准确过滤和筛选信息[22]。
此外，国外学者将社会化推荐的理念和探索应用到不同的应用领域中，如资讯评论推荐系统[23]、企业组织中的专业知识推荐[24]、学术社会网络中潜在合作者的发现推荐[25]、多媒体分享推荐[26]等。
1.4 基于信任关系的推荐
社会网络环境下的用户关系中信任关系尤为重要[27]，计算用户或社会关系的真实程度[28]对信息过滤和个性化准确推荐具有重要作用[29。
Golbeck构建了以用户信任关系为推荐基础的FilmTrust系统，帮助用户预测和推荐其偏好的电影[30]。Matteo和Licia将受信任用户以及其观点作为推荐依据，通过需求偏好相似度和社会关系衡量受信任程度，提出了社会化过滤推荐实现的新思路[31]。Walter构建了基于信任关系的推荐模型，利用用户之间的信任关系过滤信息，改善推荐效果[32]。Li提出了融合信任模型、社会关系和语义分析的博客推荐方法，在博客系统—Wretch系统中得到了应用[33]。De Meo等开发了一个多代理系统—DESIRE，能够根据用户的声望和可信任度以及他们对信息资源的评论进行推荐[34]。Zarghami等构建了用户信任本体模型，通过T-index评估用户的可信度，以此作为推荐的基础。实验证明，此方法能够改善协同过滤中的稀疏性问题、提高推荐的准确度和扩展推荐的范围[35]。Oliveira等主要是通过实验方法验证了基于用户信任关系的推荐方法与其他推荐方法的不同，得出了基于信任关系的推荐在社会网络环境下具有优越性[36]。
1.5 基于关系情境的推荐
社会网络环境下，用户情境已成为其重要的行为属性，充分考虑用户的情境信息如需求偏好、好友关系等，能够突破传统过滤推荐的瓶颈，提升推荐效果。
Jung指出关系网络能够反映用户的真实社会情境，对移动推荐服务具有重要作用，但是，由于用户行为和偏好的模糊性和多方面因素的影响，服务提供商很难发现用户的社会情境[37]；进一步分析得出用户的家庭关系、好友关系、同学关系以及线上关系和线下关系能够帮助发现用户以及其邻居、好友的社会情境，构建基于社会关系情境的交互推荐模型，改善了移动推荐服务[38]。Gonzalo-Alonso等将旅行用户的实时情境纳入混合过滤推荐模型中，实现旅行信息的实时推荐39。De Pessemier等指出当前的推荐系统大多集中于用户已有行为数据的分析，而没有考虑用户的情境信息（位置、时间等）或社会关系，结合社会关系和情境信息的影响，能够改善推荐结果[40]。Min和Cho利用SmartPhonebook挖掘和管理用户的移动社会关系，通过用户的关系结构和联系模式进行用户情境建模，以此向用户推荐最佳的联系人和信息[41]。
2 国内研究进展
国内有关社会网络环境下的信息推荐研究较国外晚，研究内容主要集中于四个方面：社会化推荐模式分析、传统推荐的“社会化”改进、基于关系挖掘的推荐和基于社会化标注行为的推荐。
2.1 传统推荐的“社会化”改进
传统推荐的“社会化”改进是国内探索社会化推荐运行机理和发展模式的研究基础，众多学者自2006年就展开了相关的研究。
李志云和杨帆提出了一种基于组代理的互惠社区构建的个性化推荐算法，综合不同资源的特征频度向量和用户对该资源的评估值构成用户需求偏好特征向量，实现用户需求偏好和相似用户社区结构的动态调整；仿真实验证明该算法具有较高的推荐准确度和良好的可扩展性[42]。张富国指出在传统协同过滤推荐技术的基础上引入信任机制，将有效地克服传统推荐技术存在的问题，如稀疏性、冷启动以及“托”攻击等[43]。严隽薇等针对目前个性化服务中用户模型稳定性低、推荐结果不尽如人意的现状，在建立基于本体的用户需求偏好模型基础上，引入偏好方差计算用户最近邻，利用矩阵聚类降维分解技术产生推荐[44]。王佳针对社会化媒体中内容形式多样及用户需求行为多变等特征，提出了一种自适应推荐机制，通过用户评论关系构建用户关系图模型，计算用户权威和评论权重，结合原文本体和用户评论构建主题模型，进而向用户推荐相关文章[45]。王丽莎提出了一种项目一标签导向的随机游走推荐模型（Item-Tag-based Random Walk Recommender，TRWR），在项目空间、标签空间、用户信任网络中进行随机游走，最终得到推荐预测评分[46]。
2.2 社会化推荐模式分析
蔡宏志指出社会化推荐模式是一种基于群体认知和用户划分的定向推荐模式，在建立和维护用户模型、适应特定应用要求和提高推荐服务质量等方面具有其他推荐方式不可比拟的优势[47]。刘合翔阐述了网络环境下的社会化推荐模式，如社会化标引模式、社会化评价模式、社会关系网络模式以及综合模式，并分析了其运作机理，指出社会认知特别是群体认知能够对推荐产生重要影响[48]。冯敏等指出信息的社会化推荐将成为信息推荐发展的一个重要方向，是指利用用户的社会关系网络，通过用户社会资本的挖掘、分析和解释理解用户的社会化行为模式，对信息共享背后的用户关联进行深层次挖掘，在建立多维用户模型的基础上进行推荐的一种新型方式[49]。黄立威和李德毅则从社会化标注、群组和信任等角度阐述了社交媒体的信息推荐问题，指出社会推荐系统是当前社交媒体中解决信息过载的重要手段[50]。
2.3 基于关系挖掘的推荐
张华青等根据用户之间的关系强度构建了用户多维加权网络，利用复杂网络聚类算法（Clique Percolation Method，CPM）寻找用户最近邻居集，以此进行个性化推荐的实现。实验表明，基于多维加权关系网络的推荐效果优于传统的内容推荐和协同推荐[51]。陈清华等针对目前网络社交网站存在的交友形式单薄、好友关系淡化、用户流失等问题，利用权值更新和潜在关系更新算法帮助用户寻找潜在好友，以达到拓展社交圈的目的。实验结果表明，该系统的好友推荐准确度较高[52]。黄武汉提出了一种基于移动用户社会化关系挖掘和评分预处理的推荐算法，利用移动通信网络中的用户关系紧密程度为目标用户寻找兴趣相似用户，以此预测移动用户偏好[53]。余善红将社会网络理论和人工鱼群算法引入个性化推荐中，加权混合用户标签网络和社会关系网络，提出了TF推荐算法，新浪微博平台上的实验证明此算法较其他算法能明显提升查准率和查全率方面[54]。
2.4 基于社会化标注的推荐
国内学者对基于社会化标注的推荐进行了较多的研究，认识到社会化书签能够帮助个性化推荐服务挖掘用户使用倾向、构建虚拟社区进行合作推荐[55]。魏建良和朱庆华认为社会化标注关联了用户与信息资源，形成了用户与资源的关系网络，为信息推荐提供了新的思路[56]，进而从内容、协同和语义三个层面构建了标签推荐系统，提出了基于矩阵、聚类和网络的社会化推荐的三种思路[57]。万朔将社会化标签与传统协同过滤方法相结合，解决了传统推荐方法中用户需求偏好单一的问题，缩小了评分矩阵的规模，提高了运算的效率和推荐效果[58]。易明等利用CPM算法将用户关系网络划分为社团结构，实现了社团内基于协作过滤的个性化推荐和社团间基于“信息桥”的个性化推荐[59]；根据“用户—资源—社会化标签”之间的关系网络，提出了协同运用基于社会化标签网络的内容推荐和基于知识互动型社会网络的协同过滤推荐的个性化推荐组合策略[60]。张玉提出了基于用户需求偏好模型和评分的协同过滤推荐算法，在较大程度上消除了标签语义模糊问题，提高了标签推荐系统的准确度、效率和质量[61]。郭伟光等分析了用户长短期需求和多义标签对推荐的影响，提出了通过用户的标签偏好权重和资源偏好权重区分用户长短期需求偏好的新思路，实现了社会化标注系统中资源的准确推荐[62]。
3 研究现状评析
从上述有关国内外研究现状的分析，表明基于社会化行为以及由此产生的关系网络的信息推荐研究已成为当前研究的热点。现有的研究成果在传统推荐的基础上，无论是从思路上还是从技术上，都推进了社会网络环境下的推荐服务理论与实践研究。一是辨析了社会化推荐与传统推荐甚至个性化推荐在理论与思路上的区别，指出社会化推荐是一种新的思路、视角和方法，为社会化推荐提供了理论支撑；二是主要围绕社会化标注、关系网络（包括信任关系）、用户情境等展开了研究，为社会化推荐研究的实证和应用奠定了基础。但对整体机制和方法提升的研究仍存在欠缺，有许多亟须解决的关键问题。
（1）传统推荐“社会化”改造中的瓶颈。传统推荐的技术改进始终无法突破其固有缺陷，如协同过滤推荐中所存在的稀疏性（Sparsity）、冷启动（Cold-start）和可扩展性问题，内容推荐中的特征抽取、新用户问题等。虽然众多研究者也提出了一些解决方法，但始终无法充分理解用户需求偏好和及时适应其变化，没有从语义上实现资源挖掘和关联，无法挖掘用户的“小众化”需求，因此推荐的可靠性和准确度无法实现有效突破。
（2）用户需求理解与挖掘的局限。在当前信息爆炸环境下，存在着大量的用户和资源，而用户只是作为“小众”群组的成员，往往只偏好较少的项目，推荐冷门的产品要比推荐热门的产品意义更大。因此，推荐系统对用户需求偏好的理解和挖掘不够深入，仅仅满足了用户的“大众化”需求，忽视了“小众化”需求。需要充分考虑服务中用户和资源的属性及关系，重新设计用户需求模型和资源属性模型，达到深入挖掘用户需求趋向和提升推荐效果的目的。
（3）推荐中资源语义挖掘研究的不足。目前的推荐系统在资源处理上主要依靠传统的向量空间模型，从而使得资源之间相互独立。实际上，资源之间存在着丰富的语义关系，但传统的文本分类与关联方法无法较好地实现语义层面上的资源挖掘，因而也就影响了后续推荐服务的质量。应从语义层面实现资源的关联，借助于领域本体和语义向量空间模型等方法提高资源属性描述的准确性。
（4）社会化推荐服务机制整体研究的缺乏。目前的大多研究仅仅停留在“推荐”的表层，即“为了推荐而推荐”，没有从整体上考察推荐服务的运作机制。如当前服务中用户需求的变化、用户行为的作用以及交互过程的衍生影响，特别是用户与资源之间的关联关系结构与对服务的作用机制等，如关联关系对信息产生、传播、共享以及推荐的促进作用，应将这些因素纳入整个社会化推荐服务中，探讨其整体层面上的运作机理。
标签：社会网络论文; 推荐系统论文; 用户研究论文; 社会化平台论文; 网络模型论文; 用户需求论文; 用户行为论文; 用户分析论文; 社会资源论文; 网络行为论文; 社交媒体论文;