Algorithmic approach to address item recommendation and cold start issues in social networks

摘要

社交网络是朋友，亲戚，熟人，同事等现实世界的关系的数字表示。每个人在现实世界上与其他人互动，谈论不同的问题，提供意见，分享彼此的事情。在数字世界中，社交网络提供与现实世界相同的功能。随着Web2.0应用的进步，社交网络促进人们保持联系，即使其中某些不会定期交流。随着信息快速扩散，如何找到并确定优先次序将是一个巨大的挑战。
　　 社交网络一般采用协同过滤，内容过滤和混合系统结合用户以前的浏览模式来进行推荐。此前采用的方法是依据用户选定类别的优先级，计算内容和用户关联度。整个评分系统包括不同的背景下对多个属性的计算。例如，在社交网络中使用过往浏览模式和亲近程度作为重要属性计算关联度，而在其他一般推荐系统可能使用类似浏览模式作为重要属性。这项研究的目的是推导在社交网络中常见的隐私设置的内容，创建时间，与其他用户亲近程度等的优先级。
　　 另一个涉及到推荐的重要方面是冷启动问题，即缺乏数据，这成为社交网络的瓶颈。这项研究的目的是通过寻找社区领袖和从社区领袖获取内容解决瓶颈。
　　 本文还提出了数据存储解决方案来和相关算法以便在实际应用中计算。整个研究基于实际的社交网络 Wospace(www.wospace.net)，实验结果表明在推荐机制的变化后，用户反应点击次数，观点和活动的显着增加，证明了该方法的有效性。