基於社交網路的推薦可以很好模擬現實社會，因此本文簡單介紹下如何利用社交網路資料進行個性化推薦。一般獲取社交網路資料的途徑有電子郵件、使用者註冊資訊、使用者的位置資料、論壇和討論組、即時聊天工具和社交**（又分為以社會身份為主的社交圖譜和以興趣為主的興趣圖譜）。
社交網路資料一般分為三類，一類是雙向確認的社交網路資料（如qq好友），一類是單向關注的社交網路資料（如微博關注），另一類就是基於社群的社交網路資料（如貼吧）。
1. 基於鄰域的社會化推薦演算法
其中out(u)表示使用者u的好友集合，rvi表示使用者v對物品的感興趣程度，一般如果使用者v喜歡物品i 取值為1，反之為0。但是不同的好友其熟悉程度和興趣也是有區別的，因此可改寫公式為：
其中wuv由兩部分組成，一部分是使用者u和使用者v之間的熟悉程度（通過共同好友的數量來衡量），另一部分是使用者u和使用者v的興趣相似度（通過共同喜歡的物品數量來衡量）。計算公式如下。
其中n(u)表示使用者u喜歡的物品集合。
該演算法雖然看起來簡單，但是在實際系統中卻是很難操作的，主要是因為該演算法需要拿到使用者所有好友的歷史行為資料，這些記錄一般很龐大，很難都放在記憶體中，另一方面對於實時查詢也比較困難。一般有兩種解決辦法，第一種是兩處截斷，第一處截斷是只選取相似度較高的n個好友，第二處截斷是只選取好友的近期行為資料；第二種解決辦法是重新設計資料庫，為每個使用者設計乙個資訊牆。twitter關於社會化推薦的思路大致如下：
（1）首先為每個使用者維護乙個訊息佇列，用於儲存他的推薦列表；
（2）當乙個使用者喜歡乙個物品時，就將（物品id、使用者id和時間）這條記錄寫入到關注該使用者的推薦列表訊息佇列中；
（3）當使用者訪問推薦系統時，讀出他的推薦列表訊息佇列，對於這個訊息佇列中的每個物品重新計算該物品的權重。計算權重時需要考慮物品出現的次數、物品對應的使用者和當前使用者的熟悉程度、物品的時間戳。同時計算出每個物品被哪些好友喜歡過，用這些好友作為物品的推薦解釋。
與協同過濾推薦相比，社會化推薦雖然準確率和召回率較低，但其說服力較強。
2. 給使用者推薦好友
（1）基於內容的匹配
內容屬性主要包括：使用者人口統計學屬性（年齡、性別、學校、工作單位等）、使用者的興趣（喜歡過的物品或者發表過的言論）、使用者位置資訊等。
（2）基於共同興趣的好友推薦
（3）基於社交網路圖的好友推薦
主要通過計算使用者間的相似度來推薦，計算公式有以下三種。
對於使用者u和使用者v，利用共同好友比例來計算相似度（out(u)表示使用者u關注的使用者集合）。
對於使用者u和使用者v，利用共同粉絲比例來計算相似度（in(u)表示關注使用者u的使用者集合）。
第三種計算方式為
該計算方式會導致所有人都與名人有很大的相似度，因此修正公式為
利用社交網路資料進行推薦
原創 石曉文 本篇的思維導圖如下 一般來說，有3種不同的社交網路資料 雙向確認的社交網路資料 一般通過無向圖表示 單向關注的社交網路資料 使用者關係是單向的，可以通過有向圖表示 基於社群的社交網路資料 比如豆瓣小組 社交網路資料中也存在長尾分布，主要根據使用者的入度和出度，使用者的入度反映了使用者的...
社交網路與「資料寡頭」
一般認為的社交網路 去中心化 很大程度上是一種幻覺或誤解。每人都有麥克風，每人都是乙個中心，甚至每人都是乙個平台，只是被使用者終端所蒙蔽的表象 麻省理工大學教授蒂姆 伯納斯 李 tim berners lee 獲得今年的圖靈獎。日前有報道說，這位全球資訊網發明人認為，將大量的時間精力花在社交網路上，...
推薦系統實戰第六章 利用社交網路資料
推薦系統實戰第六章 利用社交網路資料 1 獲得社交網路資料的方式 1 電子郵件。電子郵箱的字尾，是都來自同乙個組織 公司等。2 使用者註冊資訊。使用者在哪家公司工作 學習過等。的社交網路資料。3 使用者的位置資料。ip位址 gps資料 4 論壇和討論組。是否對同樣的事情感興趣。5 即時聊天工具。6 ...