社交網(wǎng)絡(luò)中的好友推薦研究

楊瑞仙　劉莉莉　楚晨等

關(guān)鍵詞： 社交網(wǎng)絡(luò)； 好友推薦； 基于內(nèi)容的好友推薦； 基于社交關(guān)系的好友推薦； 混合好友推薦

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０４．００４

〔中圖分類號〕Ｇ２０１ 〔文獻(xiàn)標(biāo)識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） ０４－００２８－１１

社交網(wǎng)絡(luò)作為Ｗｅｂ２.０時(shí)代的典型應(yīng)用， 已經(jīng)成為人們重要的社交方式。ＣＮＮＩＣ第４９ 次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示， 截至２０２１年１２月， 我國網(wǎng)民規(guī)模達(dá)１０.３２億。據(jù)Ｓｔａｔｉｓｔａ研究統(tǒng)計(jì)， 截至２０２２年３月８日， Ｆａｃｅｂｏｏｋ 每月活躍用戶超過２８.９億； 另外， 新浪微博發(fā)布的２０２２年Ｑ１財(cái)報(bào)顯示， 微博日活躍用戶達(dá)到２.５２億。然而， 由于社交網(wǎng)絡(luò)信息過載問題， 用戶僅憑自己發(fā)現(xiàn)志趣相投的好友變得十分困難， 因此社交網(wǎng)絡(luò)中的好友推薦服務(wù)便成為不錯(cuò)的解決方案。好友推薦是社交網(wǎng)絡(luò)推薦中的關(guān)鍵模塊， 一方面擴(kuò)大了用戶的交友范圍， 滿足用戶的交友需求， 幫助用戶獲取更多的信息資源； 另一方面幫助社交網(wǎng)站提高用戶忠誠度， 增加用戶的使用頻率。因此， 社交網(wǎng)絡(luò)中的好友推薦研究對于推動(dòng)社交網(wǎng)絡(luò)的發(fā)展、提升用戶的體驗(yàn)具有十分重要的研究意義。基于此， 本文首先界定了好友推薦的概念， 其次詳細(xì)介紹了好友推薦過程， 然后對目前社交網(wǎng)絡(luò)中的好友推薦方法進(jìn)行了歸納， 最后總結(jié)了現(xiàn)有研究存在的不足之處， 并提出未來該研究的重點(diǎn)。

１好友推薦概念與過程

推薦系統(tǒng)是聯(lián)系用戶和信息的紐帶， 一方面幫助用戶發(fā)現(xiàn)有價(jià)值的信息； 另一方面讓信息能夠展現(xiàn)在對它感興趣的用戶面前， 從而實(shí)現(xiàn)信息消費(fèi)者和信息生產(chǎn)者的雙贏。最初， 推薦系統(tǒng)是對“物”的推薦， 例如對書籍、電影、餐館等的推薦。進(jìn)入２１ 世紀(jì)后， 隨著社交網(wǎng)絡(luò)的快速發(fā)展， 各種交友網(wǎng)站應(yīng)運(yùn)而生， 社交網(wǎng)絡(luò)上用戶的交友需求直線攀升， 從而催生了大量好友推薦的研究成果。本文使用ＴＳ ＝ （“ｕｓｅｒ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ” ＯＲ “ｆｒｉｅｎｄ ｒｅｃｏｍ?ｍｅｎｄａｔｉｏｎ”）及對應(yīng)的中文檢索式， 分別在ＷｏＳ 核心庫和ＣＮＫＩ 中檢索了好友推薦研究相關(guān)的期刊、會議等學(xué)術(shù)文獻(xiàn)（檢索時(shí)間： ２０２２－０７－３０）。在檢索結(jié)果的基礎(chǔ)上， 清除不相關(guān)文獻(xiàn)并進(jìn)行擴(kuò)展搜索和延伸閱讀后共獲得２５８ 篇切題文獻(xiàn)。對這些文獻(xiàn)進(jìn)行統(tǒng)計(jì)分析， 得到有關(guān)“好友推薦” 研究的年代分布圖。如圖１所示， ２１世紀(jì)初， 好友推薦研究開始受到學(xué)者關(guān)注， 之后的１０年內(nèi)增長緩慢，２０１０年后進(jìn)入快速增長期， 并持續(xù)成為研究熱點(diǎn)［１１］ 。

１.１好友推薦概念界定

好友推薦又稱“用戶推薦”， 作為推薦系統(tǒng)的應(yīng)用之一， 主要是聯(lián)系用戶和用戶， 根據(jù)用戶現(xiàn)有的好友、用戶的行為記錄等給用戶推薦新的好友，幫助用戶在社交網(wǎng)中找到他們感興趣的用戶， 并添加到自己的聯(lián)系人列表中， 從而增加整個(gè)社交網(wǎng)絡(luò)的稠密程度和社交網(wǎng)站用戶的活躍度［１］ 。社交網(wǎng)絡(luò)中的好友推薦以獲取用戶個(gè)人信息以及好友列表為開端， 經(jīng)歷了概念階段、娛樂化階段、社交階段到現(xiàn)在的混合好友推薦階段。

１.２好友推薦過程梳理

如圖２所示， 通過對現(xiàn)有文獻(xiàn)的梳理， 將社交網(wǎng)絡(luò)中的好友推薦的過程總結(jié)為以下４個(gè)步驟。具體內(nèi)容如下所述：

１.２.１提取用戶特征信息

提取用戶特征信息就是獲取用戶在社交網(wǎng)絡(luò)上留下的記錄數(shù)據(jù)， 它主要包括兩個(gè)部分， 提取用戶興趣特征信息和社會關(guān)系特征信息。用戶的興趣特征信息提取方面， 現(xiàn)有研究主要從用戶的個(gè)人信息［２］ 、用戶的地理位置、用戶發(fā)布的文本和圖片信息等內(nèi)容數(shù)據(jù)中識別用戶的興趣； 用戶的社會關(guān)系特征信息方面， 主要從用戶間的共同好友和互動(dòng)行為中獲取， 如共同好友的數(shù)量［３］ 和比例， 用戶之間發(fā)消息、評論、轉(zhuǎn)發(fā)和收藏等的互動(dòng)次數(shù)［４］ ，共同好友數(shù)量越多， 互動(dòng)頻率越高， 成為好友的概率就越大。

１.２.２計(jì)算用戶相似度相似性度

量用于度量兩個(gè)實(shí)體之間的相似性，是推薦系統(tǒng)的主要組成部分。在好友推薦中， 度量兩個(gè)用戶之間的相似性稱為用戶相似度計(jì)算［５］ 。用戶相似度計(jì)算是指對獲取的用戶特征數(shù)據(jù)進(jìn)行整理、分解、降維等一系列操作， 以提取描述用戶的不同特征信息， 比較不同用戶的特征信息集合的相似性。在社交網(wǎng)絡(luò)中， 用戶相似度包括用戶興趣相似性和用戶社交關(guān)系相似性等， 根據(jù)用戶的特征信息選擇合適的相似度算法。目前， 計(jì)算用戶相似度的算法主要有余弦相似性［１２］ 、皮爾森相關(guān)系數(shù)［４５］ ，以及Ｊａｃｃａｒｄ［８］ 、歐幾里得距離［４２］ 、ＪＳ散度［２］ 、Ｋａｔｚ指標(biāo)［９］ 等。此外， 也有學(xué)者根據(jù)提取的用戶特征信息的特點(diǎn)自定義合適的用戶相似度算法， 如ＷｕＢ Ｘ 等［６］ 根據(jù)提取的文本信息提出了基于主題的用戶興趣相似度算法。

１.２.３?。裕铮穑?用戶進(jìn)行推薦

Ｔｏｐ－Ｋ 思想即在給出的一系列推薦選項(xiàng)中， 選取前Ｋ 個(gè)最相關(guān)的推薦選項(xiàng)。在好友推薦中， 即在給出的一系列好友候選項(xiàng)中， 選擇前Ｋ 個(gè)相似度最高的用戶作為好友選項(xiàng)推薦給目標(biāo)用戶。

１.２.４評價(jià)推薦結(jié)果

常用的好友推薦評價(jià)指標(biāo)有３ 個(gè)， 即準(zhǔn)確率（Ｐｒｅｃｉｓｉｏｎ）、召回率（Ｒｅｃａｌｌ）以及綜合準(zhǔn)確率和召回率的Ｆ１－ｍｅａｓｕｒｅ。準(zhǔn)確率（Ｐｒｅｃｉｓｉｏｎ）是所有推薦中正確猜測的比率， 數(shù)值越大， 表示推薦列表中的結(jié)果對用戶越有效。召回率（Ｒｅｃａｌｌ）是推薦列表與目標(biāo)用戶未來真實(shí)事件的比率， 該數(shù)值越大， 表示算法效果越好。一般來說， 給出的推薦越多， 正確猜測用戶興趣的可能性就越大， 召回率（Ｒｅｃａｌｌ）增加， 但準(zhǔn)確率（Ｐｒｅｃｉｓｉｏｎ）反而降低。為了平均召回率（Ｒｅｃａｌｌ）和準(zhǔn)確率（Ｐｒｅｃｉｓｉｏｎ）， 往往還使用標(biāo)準(zhǔn)Ｆ１－ｍｅａｓｕｒｅ 去衡量。準(zhǔn)確率（Ｐｒｅｃｉｓｉｏｎ）、召回率（Ｒｅｃａｌｌ） 以及Ｆ１ －ｍｅａｓｕｒｅ 的計(jì)算公式分別見式（１） ～（３）。

除了以上３種常用的好友推薦評價(jià)指標(biāo)外， 也有學(xué)者使用其他的指標(biāo)， 比如利用ＭＲＲ（Ｍｅａｎ Ｒｅ?ｃｉｐｒｏｃａｌ Ｒａｎｋ）、ＭＡＰ（Ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ）評價(jià)推薦結(jié)果［１０］ ， ＭＲＲ 側(cè)重于排名第一的好友排名，ＭＡＰ考慮了推薦列表中所有好友的排名， 這兩個(gè)指標(biāo)彌補(bǔ)了Ｐｒｅｃｉｓｉｏｎ 只關(guān)注朋友推薦結(jié)果的精確度而對推薦列表中的前Ｋ 個(gè)好友排名不敏感的缺陷。

２好友推薦方法

社交網(wǎng)絡(luò)中， 用戶的好友分為現(xiàn)實(shí)好友和網(wǎng)絡(luò)好友兩種?，F(xiàn)實(shí)好友來源于現(xiàn)實(shí)生活中的社交關(guān)系， 如親人、朋友、同事等， 而網(wǎng)絡(luò)好友往往是在虛擬網(wǎng)絡(luò)上與用戶有相同愛好品味的人。由于用戶的興趣可以從用戶在社交網(wǎng)絡(luò)中產(chǎn)生的各種內(nèi)容信息中獲取， 即有了基于內(nèi)容的好友推薦方法； 而社交關(guān)系不僅存在于實(shí)際生活中， 還存在于網(wǎng)絡(luò)中，因此可以從社交網(wǎng)絡(luò)上用戶的好友列表以及用戶之間的交互行為中， 獲取用戶在網(wǎng)絡(luò)上的社交關(guān)系，即有了基于社交關(guān)系的好友推薦方法。隨著好友推薦研究的發(fā)展， 單一好友推薦方法開始出現(xiàn)數(shù)據(jù)稀疏和冷啟動(dòng)等問題， 因而， 融合內(nèi)容和社交關(guān)系的混合好友推薦方法被提出， 即有了混合好友推薦方法。鑒于此， 從社交網(wǎng)絡(luò)中的好友推薦的研究維度出發(fā)， 將好友推薦方法分為３種， 分別為基于內(nèi)容的好友推薦方法、基于社交關(guān)系的好友推薦方法和混合好友推薦方法。

２.１基于內(nèi)容的好友推薦方法

好友推薦成功與否， 很大程度上取決于對用戶當(dāng)前興趣的感知能力?；趦?nèi)容的好友推薦的主旨是根據(jù)用戶的興趣相似度進(jìn)行好友推薦。基于內(nèi)容的好友推薦方法的性能依賴于有效的數(shù)據(jù)特征提取，提取用戶的內(nèi)容特征信息即是挖掘用戶興趣的過程，尤其是內(nèi)容型社交網(wǎng)站的出現(xiàn)， 為探索用戶的興趣依據(jù)帶來了極大的便利。在該方法中， 可以從用戶在社交網(wǎng)絡(luò)產(chǎn)生的內(nèi)容中獲取特征信息， 因此將內(nèi)容特征信息總結(jié)為３ 類， 包括用戶的個(gè)人信息、用戶的地理位置、用戶發(fā)布的文本和圖片信息。為了詳盡地獲取用戶內(nèi)容特征信息， 本文對這３類特征信息進(jìn)行了細(xì)粒度的劃分， 統(tǒng)計(jì)情況如表１ 所示，詳細(xì)情況如下：

１） 用戶個(gè)人信息。用戶的個(gè)人信息是指用戶在社交網(wǎng)絡(luò)上的認(rèn)證信息， 包括用戶的頭像、個(gè)性簽名、年齡、籍貫、性別、職業(yè)、受教育程度等相關(guān)內(nèi)容。張繼東等［１２］ 通過對用戶個(gè)人信息的采集、分析， 將相似度較高的用戶劃分到同一社區(qū)內(nèi)， 融合社區(qū)劃分和用戶相似度實(shí)現(xiàn)好友推薦。此外， 馬漢達(dá)等［２］ 、龍?jiān)銎G等［９］ 提取用戶的認(rèn)證信息、性別、婚姻狀況、地區(qū)、生日、年齡、職業(yè)、受教育程度等用戶的個(gè)人信息， 以此構(gòu)建用戶的特征向量， 分別采用歐幾里得距離和余弦相似度算法來計(jì)算用戶相似度。然而， 對于一般類型的社交網(wǎng)站來說， 用戶為了保護(hù)自身隱私， 并不愿意如實(shí)填寫個(gè)人信息， 因而適用范圍較小， 為了避免這種情況，研究往往會結(jié)合其他特征信息一起作為衡量指標(biāo)來實(shí)現(xiàn)好友推薦［２］ 。

２） 用戶的地理位置信息?，F(xiàn)在流行的社交網(wǎng)絡(luò)如Ｆａｃｅｂｏｏｋ、Ｔｗｉｔｔｅｒ， 還有國內(nèi)的微博等都允許用戶共享自己的地理位置和行動(dòng)軌跡。在現(xiàn)實(shí)生活中， 人們?nèi)ゲ煌牡胤娇梢苑从秤脩舻男袨楹团d趣， 例如， 用戶Ａ 和用戶Ｂ 喜歡去同一家餐廳吃晚飯， 這反映了兩個(gè)用戶在行為和愛好方面具有相似性， 基于位置尋找具有相似行為或愛好的用戶進(jìn)行好友推薦是可靠的。因此， 眾多學(xué)者通過分析這些位置信息來研究好友推薦問題。比如Ｚｈｕ Ｊ Ｑ等［１３］ 指出， 如果用戶有相似的興趣并位于同一地點(diǎn)， 他們就更有可能彼此建立互動(dòng)， 提出了基于鄰居的朋友推薦（ＮＢＦＲ）。孫曉晨等［１４］ 利用用戶的簽到特性及簽到歷史記錄， 計(jì)算用戶在各個(gè)位置興趣點(diǎn)的位置權(quán)重。此外， 還有學(xué)者通過傳感器獲取位置信息［１５］ 。但是位置信息往往只是用戶所在的位置， 并不能表示用戶的興趣， 需要結(jié)合實(shí)際情況去分析。

３） 用戶發(fā)布的文本和圖片信息。用戶發(fā)布的文本信息包括用戶曾經(jīng)評論、轉(zhuǎn)發(fā)或者收藏過的文本信息， 通過文本信息識別用戶的興趣需要進(jìn)行語義特征挖掘， 目前常用的方法是ＴＦ－ＩＤＦ 值計(jì)算和主題模型。很多學(xué)者利用ＴＦ－ＩＤＦ 將用戶的興趣愛好表示為關(guān)鍵詞和關(guān)鍵詞權(quán)重構(gòu)成的向量， 并通過余弦定理來計(jì)算用戶興趣相似度［４，１６］ 。而近年來，各種主題模型， 尤其是ＬＤＡ 主題模型被廣泛應(yīng)用于好友推薦， 如Ｇｏｎｇ Ｊ Ｂ 等［１７］ 將ＬＤＡ 方法應(yīng)用到朋友推薦模型中， 生成用戶感興趣的語義主題， 然后計(jì)算目標(biāo)用戶和候選朋友之間的主題相似度。此外， 許多研究還采用了改進(jìn)的ＬＤＡ 模型［１８］ 來進(jìn)行好友推薦， 其中Ｘｉｎ Ｍ Ｊ 等［１９］ 為了克服ＬＤＡ 對文本的長度有要求， 且需要足夠多的單詞來分析彼此之間聯(lián)系的局限性， 針對用戶評論過短且稀疏的問題，提出了ＲＤ－ＬＤＡ 模型， 該模型提高了用戶主題抽取的可靠性。還有學(xué)者融入了情感分析［５５，２６，５６］ ， 以研究用戶對文本中表達(dá)實(shí)體的態(tài)度， 提高了識別用戶偏好的準(zhǔn)確性。

除了文本信息之外， 用戶發(fā)布的信息中往往包含大量的圖片信息， 部分學(xué)者認(rèn)為在用戶自身發(fā)表的微博信息中， 圖像比書面文字更能表現(xiàn)用戶的興趣特點(diǎn)。馬漢達(dá)等［２］ 考慮用戶個(gè)人信息的同時(shí)， 還將用戶發(fā)表的圖像信息作為主要處理對象， 通過對圖像識別分類獲取用戶的興趣， 達(dá)到了較好的好友推薦效果。還有研究表明， 結(jié)合用戶間的共同興趣與用戶間共同關(guān)注物品的心理認(rèn)知， 會提高好友推薦質(zhì)量［４９］ 。

２.２基于社交關(guān)系的好友推薦方法

與基于內(nèi)容的好友推薦方法不同， 基于社交關(guān)系的好友推薦主要是通過用戶之間的關(guān)系強(qiáng)弱來進(jìn)行好友推薦， 關(guān)系越強(qiáng)越容易成為好友?；谏缃魂P(guān)系的好友推薦方法主要從兩個(gè)特征維度進(jìn)行好友推薦， 分別是用戶之間的共同好友和互動(dòng)行為， 以下將對兩個(gè)特征信息進(jìn)行詳細(xì)介紹， 統(tǒng)計(jì)情況如表１ 所示。

１） 基于共同好友的社交關(guān)系好友推薦。共同的朋友是兩個(gè)陌生人之間的紐帶， 有助于增進(jìn)兩人之間的友誼， 這是因?yàn)橥ㄟ^共同的朋友實(shí)現(xiàn)信息交互， 可以提高交流的機(jī)會， 進(jìn)而成為新朋友。ＦＯＦ（朋友的朋友）算法是一種高效的推薦算法， 因?yàn)槠鋾r(shí)間復(fù)雜度低而被廣泛使用， 其原理是社交網(wǎng)絡(luò)中兩個(gè)用戶的共同好友越多， 則他們成為朋友的概率越大。例如Ｆａｃｅｂｏｏｋ 上“你可能認(rèn)識的人” 的列表就是利用ＦＯＦ算法通過計(jì)算用戶之間的共同好友個(gè)數(shù)來實(shí)現(xiàn)的， 計(jì)算公式見式（４）。如果達(dá)到預(yù)先設(shè)定的閾值， 就會推薦給目標(biāo)用戶［３］ 。然而， 共同好友個(gè)數(shù)受用戶好友總數(shù)影響較大， 因此， 通常根據(jù)共同好友比例來表示用戶間關(guān)系的強(qiáng)弱， 計(jì)算公式見式（５）。還有學(xué)者考慮到社交網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)， 即社交圖中的好友是有向的， 將共同好友比例的計(jì)算方法分為３ 種， 分別是計(jì)算出度、計(jì)算入度、混合計(jì)算。入度（ｉｎ）表示被關(guān)注的用戶， 出度（ｏｕｔ）表示關(guān)注的用戶。以出度計(jì)算為例［４］ ， 用戶ｕ和用戶ｖ 的共同好友比例的計(jì)算公式見式（６）。

式（６） 中ｏｕｔ（ｕ）表示用戶ｕ 關(guān)注的用戶集合， ｏｕｔ（ｖ）表示用戶ｖ 關(guān)注的用戶集合； ｏｕｔ（ｕ）∩ｏｕｔ（ｖ）表示兩個(gè)用戶集合的交集， ｏｕｔ（ｕ）‖ｏｕｔ（ｖ）分別表示兩個(gè)用戶集合中好友的數(shù)量?；谌攵群突旌嫌?jì)算方法采用類似的計(jì)算過程。

單純以共同好友的數(shù)量來衡量用戶間關(guān)系的強(qiáng)弱是不夠全面的， 還需要考慮其他因素的影響。Ｘｉｎ Ｍ Ｊ 等［１９］ 提出共同好友也有拓?fù)浣Y(jié)構(gòu)， 他們加入共同好友之間的連通分量來提取社交關(guān)系特征。還有研究基于關(guān)聯(lián)規(guī)則算法來計(jì)算用戶之間共同好友的數(shù)量［３］ ， 向程冠等［２０］ 同時(shí)考慮關(guān)注的“人”和“事” （“人” 主要指被關(guān)注的微博用戶， “事”主要指被關(guān)注的信息）， 利用改進(jìn)后的ＡｐｒｉｏｒｉＴｉｄ算法實(shí)現(xiàn)好友推薦?，F(xiàn)有共同好友的研究大多是將好友搜索控制在一度或者二度內(nèi)， 杜淑穎等［２１］ 和夏立新等［１６］ 分別基于六度分割理論和三度影響力理論， 將好友搜索深度擴(kuò)展到四度和三度， 在擴(kuò)大了好友集合的同時(shí)， 還在一定程度上有效地解決了數(shù)據(jù)稀疏問題。

基于共同好友的社交關(guān)系好友推薦方法的優(yōu)點(diǎn)是時(shí)間復(fù)雜度低、簡單高效、易實(shí)現(xiàn)， 效果明顯。但也存在很明顯的缺點(diǎn)， 首先是該算法給用戶推薦好友時(shí)， 用戶必須被足夠多的人所關(guān)注， 而社交網(wǎng)絡(luò)中大多數(shù)用戶自己關(guān)注的人數(shù)大于自己被關(guān)注的人數(shù)， 如果用戶好友人數(shù)不夠多， 則無論是為其推薦其他好友或者將其推薦給其他人都會變得很難。其次是該算法只是關(guān)注“人” 的因素而忽略了其他因素， 可能會影響所推薦好友的準(zhǔn)確性。

２） 基于互動(dòng)行為的社交關(guān)系好友推薦。在現(xiàn)實(shí)生活的社交關(guān)系中， 朋友之間總是存在互動(dòng)的，把這一人際關(guān)系中的特征應(yīng)用于互聯(lián)網(wǎng)中也是適用的， 通過用戶之間的互動(dòng)來衡量用戶間關(guān)系的強(qiáng)弱， 互動(dòng)越多， 關(guān)系越強(qiáng)， 越容易成為朋友。社交網(wǎng)絡(luò)中用戶之間的互動(dòng)包括用戶間發(fā)送消息、評論、點(diǎn)贊、轉(zhuǎn)發(fā)和收藏等， 不同社交平臺上用戶間的互動(dòng)行為會有些許的區(qū)別。大多數(shù)學(xué)者根據(jù)用戶之間的互動(dòng)比例來反映好友關(guān)系的強(qiáng)弱， 如吳昊等［４］ 根據(jù)用戶之間互動(dòng)次數(shù)占各自互動(dòng)總次數(shù)的比值來表示互動(dòng)比例， 但他們對用戶之間不同的交互行為取了相同權(quán)重， 更進(jìn)一步地， 徐建民等［２２］給不同的交互行為賦予了不同權(quán)重。此外， 部分學(xué)者分析網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)信息， 通過鏈路預(yù)測算法實(shí)現(xiàn)好友推薦［９，４６］ ， Ｌｏ Ｓ Ｃ等［２３］ 提出了一個(gè)基于圖的好友推薦算法， 通過用戶之間發(fā)送的消息， 將所有成員聯(lián)系起來形成消息網(wǎng)絡(luò)， 算法選擇最小消息數(shù)衡量成員之間的聯(lián)系強(qiáng)度。還有學(xué)者提出了基于用戶間的信任來進(jìn)行好友推薦［４３，４７］ ， 用戶之間的評論、轉(zhuǎn)發(fā)等交互行為都代表了用戶之間的某種信任關(guān)系， 當(dāng)用戶愿意接受另外一個(gè)用戶的好友請求，以及評論或者轉(zhuǎn)發(fā)該用戶發(fā)布的內(nèi)容時(shí)， 就表示用戶信任該內(nèi)容發(fā)布者， 交互越強(qiáng)表明用戶對該內(nèi)容發(fā)布者具有較強(qiáng)的信任關(guān)系［２４］ 。但用戶之間的互動(dòng)應(yīng)該是雙向的， 如果一方給出很多互動(dòng)， 另一方卻很少回應(yīng)， 可能是一種騷擾， 而不是正向的互動(dòng)， 但目前的研究往往忽略了這一點(diǎn)。其次， 用戶之間的互動(dòng)依賴于用戶的活躍程度， 在社交網(wǎng)絡(luò)中存在大量活躍度不高的用戶， 他們與其他用戶之間沒有交互， 這也是該方法面臨的挑戰(zhàn)之一。最后，如何利用用戶之間的行為差異進(jìn)行個(gè)性化的好友推薦也是未來工作的關(guān)鍵問題。

２.３混合好友推薦方法

近年來， 為了彌補(bǔ)單一好友推薦方法存在的局限性， 許多學(xué)者嘗試結(jié)合基于內(nèi)容的好友推薦與基于社交關(guān)系的好友推薦這兩種方法， 提出了混合好友推薦方法。比較常用的是分別使用基于內(nèi)容和基于社交關(guān)系的好友推薦方法產(chǎn)生兩個(gè)推薦模塊， 然后使用某種組合方式得到最終推薦結(jié)果?；旌虾糜淹扑]的推薦過程為， 首先計(jì)算用戶的興趣相似度和社交關(guān)系相似度， 其次將兩個(gè)數(shù)值按照指定的方式進(jìn)行組合得到一個(gè)綜合值， 最后根據(jù)綜合值進(jìn)行ＴＯＰ－Ｋ 好友推薦。根據(jù)組合方式的不同將混合好友推薦分為３種， 分別為并行式混合好友推薦、切換式混合好友推薦和迭代式混合好友推薦。

２.３.１并行式混合好友推薦并行式混合好友推薦

是指同時(shí)運(yùn)行多個(gè)不同的好友推薦方法， 得到不同的結(jié)果， 最終將這些推薦結(jié)果進(jìn)行整合得到最終的好友推薦結(jié)果的過程， 如圖３ 所示。吳昊等［４］ 使用基于社交關(guān)系的好友推薦方法， 根據(jù)用戶的關(guān)注和行為信息數(shù)據(jù)計(jì)算共同好友比例和互動(dòng)比例， 從而得到用戶的社交關(guān)系相似度； 使用基于內(nèi)容的好友推薦方法， 提取用戶的文本信息特征， 根據(jù)余弦相似度得到用戶的興趣相似度， 最終將社交興趣度和興趣相似度分別按最大值歸一化， 得到最終的評分公式， 實(shí)現(xiàn)好友推薦。類似地， 夏立新等［１６］ 計(jì)算用戶關(guān)系強(qiáng)度和興趣相似度之后， 根據(jù)兩個(gè)數(shù)值進(jìn)行線性加權(quán)， 得到的綜合數(shù)值進(jìn)行ＴＯＰ－Ｋ 好友推薦。并行式混合好友推薦的優(yōu)點(diǎn)是使各個(gè)好友推薦方法的優(yōu)點(diǎn)以直接的方式得到了利用。

２.３.２切換式混合好友推薦

切換式混合好友推薦首先使用第一種推薦方法， 達(dá)到切換標(biāo)準(zhǔn)后， 不再使用第一種推薦方法，而是切換為第二種推薦方法的過程， 如圖４所示。通過切換好友推薦方法能夠避免特定方法存在的問題， 例如， 針對社交關(guān)系的好友推薦方法存在的冷啟動(dòng)問題， 龍?jiān)銎G等［９］ 將用戶現(xiàn)有好友列表數(shù)量設(shè)置為切換標(biāo)準(zhǔn)， 當(dāng)用戶好友數(shù)量為０ 時(shí)， 提取用戶的個(gè)人信息， 采用基于內(nèi)容的好友推薦方法處理數(shù)據(jù)， 當(dāng)用戶好友數(shù)量大于０ 時(shí)， 切換基于社交關(guān)系的好友推薦方法來處理數(shù)據(jù)。這種混合方法的好處是， 能夠根據(jù)用戶的特征進(jìn)行靈活轉(zhuǎn)換， 得到的推薦結(jié)果更加合理， 它主要的缺點(diǎn)是， 切換式混合好友推薦方法需要根據(jù)實(shí)際情況確定切換標(biāo)準(zhǔn)， 增加了推薦的復(fù)雜性。

２.３.３迭代式混合好友推薦

迭代式混合好友推薦是先使用第一種好友推薦方法輸出粗略的推薦列表， 該列表又被下一種好友推薦方法細(xì)化的過程， 如圖５ 所示。Ｚｈａｎｇ Ｚ 等［１０］將候選人限制為朋友的朋友， 從而降低時(shí)間復(fù)雜度， 提高推薦結(jié)果的準(zhǔn)確性， 具體是先基于共同好友的社交關(guān)系好友推薦方法對數(shù)據(jù)集進(jìn)行處理， 得到一個(gè)粗略的推薦結(jié)果， 然后在該推薦結(jié)果的基礎(chǔ)上進(jìn)行基于用戶屬性的計(jì)算， 得到最終結(jié)果。由于迭代過程是將推薦結(jié)果由粗到細(xì)的特性， 使得該混合方法非常有效， 并能容忍噪聲。

３社交網(wǎng)絡(luò)中好友推薦研究存在的不足及研究展望

３.１現(xiàn)有好友推薦研究存在的不足

不同類型的社交網(wǎng)站其側(cè)重點(diǎn)也不同， 如有些側(cè)重于用戶之間的互動(dòng)， 有些則側(cè)重于文本或圖片信息的發(fā)布， 因此， 需要提取不同的特征信息并選擇合適的相似度算法［４４］ ， 也可以融合多種特征信息來衡量用戶相似度?，F(xiàn)有的好友推薦研究以用戶在社交網(wǎng)絡(luò)上實(shí)際產(chǎn)生的客觀數(shù)據(jù)和行為作為依據(jù)進(jìn)行好友推薦， 具有可信度高、說服力強(qiáng)的特點(diǎn)， 但也存在一定的缺陷， 本文將不足總結(jié)為以下幾點(diǎn)：

１） 冷啟動(dòng)問題。冷啟動(dòng)問題， 即好友推薦過程中缺乏關(guān)于新用戶的信息。由于剛進(jìn)入社交網(wǎng)站， 新用戶個(gè)人信息與行為信息都是不完善的， 系統(tǒng)不能通過模型分析用戶的偏好， 好友推薦系統(tǒng)也就無法利用推薦算法向該用戶推薦其可能感興趣的用戶［６１］ 。解決冷啟動(dòng)問題可以提高社交網(wǎng)絡(luò)的留存率和用戶的使用舒適度。目前， 有相關(guān)研究對冷啟動(dòng)問題提出了一些解決辦法， 部分研究要求新用戶在初次登陸系統(tǒng)時(shí)對若干選項(xiàng)進(jìn)行反饋或者回答若干問題［５］ ， 當(dāng)用戶度過冷啟動(dòng)期時(shí)， 再結(jié)合用戶的偏好和社交關(guān)系來逐漸增強(qiáng)推薦， 但該方法需要用戶的積極參與， 還依賴于選項(xiàng)和問題設(shè)計(jì)的合理程度。還有研究通過混合好友推薦方法來實(shí)現(xiàn)對新用戶的好友推薦［９］，這在一定程度上也能緩解冷啟動(dòng)問題， 然而面對內(nèi)容和社交關(guān)系都是空白的新用戶， 該方法也不再有效。更進(jìn)一步地， 有研究提出基于用戶的上下文信息［５０］，即通過利用額外的信息（如天氣、時(shí)間、季節(jié)等）、基于動(dòng)態(tài)Ｋｍｅａｎｓ算法對用戶進(jìn)行聚類［５８］ 以及基于神經(jīng)網(wǎng)絡(luò)算法［５１］ 來解決該問題， 但以上方法存在相關(guān)信息提取難度大、算法復(fù)雜度高、通用性弱等問題。

２） 數(shù)據(jù)稀疏問題。數(shù)據(jù)稀疏問題即缺少可用信息。首先， 現(xiàn)實(shí)社交網(wǎng)絡(luò)中的大部分用戶之間并無共同好友， 只有少數(shù)用戶之間存在著一定數(shù)量的共同好友。其次， 對于活躍度不高的用戶， 他們產(chǎn)生的內(nèi)容信息少， 且這類用戶很少與其他用戶產(chǎn)生互動(dòng)， 這些因素均導(dǎo)致好友推薦過程中存在的數(shù)據(jù)稀疏問題?；旌虾糜淹扑]方法是目前主要的解決方法之一， 通過不同方法之間的互補(bǔ)來實(shí)現(xiàn)。此外，有研究通過擴(kuò)展好友搜索深度， 擴(kuò)大用戶潛在好友集合， 在一定程度上克服了數(shù)據(jù)稀疏性［２１，１６］ ， 還有研究通過引入本體庫來擴(kuò)展豐富文本主題， 從而解決內(nèi)容數(shù)據(jù)稀疏的問題［５９］ 。Ｚａｒｒｉｎｋａｌａｍ Ｆ 等［６０］根據(jù)用戶對Ｔｗｉｔｔｅｒ 上活躍話題的傾向， 模擬了不活躍用戶的興趣。為了更好地了解用戶的需求， 提取用戶的特征數(shù)據(jù)， 好友推薦中存在的數(shù)據(jù)稀疏問題仍然是一大挑戰(zhàn)。

３） 動(dòng)態(tài)變化問題?，F(xiàn)有的好友推薦研究集中在如何精確地獲取用戶靜態(tài)偏好， 但實(shí)際上， 用戶的興趣愛好本身就是一個(gè)時(shí)間序列型數(shù)據(jù)［２５］ ， 會隨著時(shí)間的變化而變化。相關(guān)研究對該問題提出的解決方案大多是在計(jì)算興趣相似度時(shí)添加了相應(yīng)的權(quán)重［２，２６－2７］ ， 即較長時(shí)間前的興趣愛好占較小的權(quán)重， 而近期的興趣愛好所占權(quán)重較高， 以此體現(xiàn)出時(shí)間因素的影響。但目前該問題的解決方法較為單一， 還需要做更多研究來增加解決方案的多樣性和有效性。

４） 信息繭房問題。目前研究為了增強(qiáng)用戶的粘性， 在好友推薦過程中會不斷重復(fù)推薦用戶感興趣的內(nèi)容來取悅用戶， 減少甚至不推薦與用戶興趣和社交關(guān)系不相似的用戶。這限制了用戶好友的多樣性， 也降低了用戶接受多樣化信息的可能性， 從而導(dǎo)致用戶在高度同質(zhì)化的信息中逐漸極端化。當(dāng)系統(tǒng)只能推薦具有相同興趣的用戶時(shí)， 用戶被限制為推薦與過去自己興趣相同的用戶， 例如， 一個(gè)游泳愛好者永遠(yuǎn)不會被推薦給一位沒有游過泳的人。這個(gè)問題在其他領(lǐng)域也有研究， 通常引入一些隨機(jī)性來解決， 在信息過濾的背景下， 遺傳算法的使用被認(rèn)為是一種可能的解決方案［２８，５７］ ， 基于深度學(xué)習(xí)的推薦［５２，５３］ 也被作為一種有效的解決方法， 但深度學(xué)習(xí)目前面臨著通用性等挑戰(zhàn)?？傊?， 在好友推薦中， 需要考慮推薦用戶的多樣性， 給用戶提供一系列選項(xiàng)， 而不是一組同類的選項(xiàng)。研究表明，提高推薦的精準(zhǔn)度并在推薦過程中兼顧“有趣”和“有益” 度， 將會是“破繭” 的利器［５４］ 。

５） 用戶隱私問題。當(dāng)前， 好友推薦為了提高推薦質(zhì)量， 大多都將精力放在了推薦方法的選擇上， 忽略了用戶隱私問題。一方面， 若用戶敏感信息被人惡意利用就可能導(dǎo)致計(jì)算機(jī)輔助犯罪， 如騷擾、綁架等。出于這種隱私焦慮， 用戶在社交平臺上會刻意隱藏自己的信息， 使好友推薦精確度降低； 另一方面， 準(zhǔn)確的好友推薦需要在社交網(wǎng)絡(luò)上獲取大量的用戶社交數(shù)據(jù)， 而社交數(shù)據(jù)中就包含關(guān)于用戶的敏感信息。目前有研究提出了多種基于用戶隱私保護(hù)的好友推薦， 如將多項(xiàng)式秘密共享用于社交網(wǎng)絡(luò)從而實(shí)現(xiàn)個(gè)人簡檔的保護(hù)［３１］ ， 利用同態(tài)加密設(shè)計(jì)基于可驗(yàn)證安全點(diǎn)積協(xié)議的安全好友推薦方案［３２］ ， 利用匿名技術(shù)和安全的ＫＮＮ 計(jì)算作為運(yùn)行協(xié)議［３３］ ， 以及引入標(biāo)簽偽造技術(shù)來隱藏用戶在推薦過程中的實(shí)際偏好［３４］ 等。此外， 還有基于密碼學(xué)的隱私保護(hù)方法［３５－３６］ ， 以及在嚴(yán)格的隱私概念下基于差分隱私的隱私保護(hù)方法［３７］ 。然而， 目前還需要不斷進(jìn)行改進(jìn)， 如何在保證高質(zhì)量好友推薦的同時(shí)保護(hù)用戶隱私問題， 是社交網(wǎng)絡(luò)的好友推薦中應(yīng)該重點(diǎn)解決的問題之一。

３.２好友推薦研究展望

通過對現(xiàn)有好友推薦方法的研究， 本文認(rèn)為除了關(guān)注好友推薦方法的選擇及其不足的解決方案之外， 社交網(wǎng)絡(luò)的好友推薦未來還可以從如下幾個(gè)方面進(jìn)行研究， 包括增加好友推薦的多維性、提供好友推薦結(jié)果的解釋、設(shè)置用戶反饋機(jī)制， 以及增強(qiáng)好友推薦系統(tǒng)的可拓展性。

１）推薦的多維性。推薦的多維性指可以從多個(gè)不同的維度對用戶進(jìn)行推薦。根據(jù)最新社會學(xué)的研究發(fā)現(xiàn)， 基于社交關(guān)系和內(nèi)容的好友推薦方法可能不是最合適的［２９］ 。根據(jù)這些研究， 用戶聯(lián)系在一起的規(guī)則包括習(xí)慣或生活方式、態(tài)度、興趣愛好、道德標(biāo)準(zhǔn)、經(jīng)濟(jì)水平和社交關(guān)系。其中， 興趣愛好和社交關(guān)系是現(xiàn)有好友推薦考慮的主流因素，但也可以合理利用其他規(guī)則來提高好友推薦系統(tǒng)的多維性。例如， 生活方式是最直觀的， 但由于用戶的生活方式難以通過網(wǎng)絡(luò)行為來捕捉， 所以并未廣泛使用。但隨著科技的發(fā)展， 可以通過傳感器去探索用戶的生活方式， Ｗａｎｇ ＺＢ等［３０］就利用傳感器豐富的智能手機(jī)， 通過衡量用戶之間生活方式的相似性進(jìn)行好友推薦。還可以利用配備有ＧＰＳ、加速度計(jì)、麥克風(fēng)、攝像頭等傳感器的穿戴設(shè)備， 從傳感數(shù)據(jù)中提取豐富的內(nèi)容感知信息， 進(jìn)而發(fā)現(xiàn)人們的生活方式， 進(jìn)行有效推薦。通過不同的維度實(shí)現(xiàn)好友推薦不僅能解決現(xiàn)有好友推薦普遍存在的問題， 還能提高推薦質(zhì)量。

２）提供好友推薦結(jié)果的解釋。好友推薦除了展示推薦結(jié)果外， 還應(yīng)該展示恰當(dāng)?shù)睦碛勺層脩衾斫庀到y(tǒng)會做出這樣推薦的原因， 但目前的大多數(shù)好友推薦都沒有這項(xiàng)功能。研究表明， 提供推薦結(jié)果的解釋能提高系統(tǒng)的透明度、可檢查性、信任、有效性、說服力、效率和滿意度［４１］ ， 好的解釋可以幫助用戶做出更好的決定［５８］ 。用戶無法獨(dú)自判斷與未知的其他用戶是否能成為好友， 而簡短的解釋可以幫助用戶決定是否可以根據(jù)解釋給出的指標(biāo)與推薦用戶建立聯(lián)系， 這在社交網(wǎng)絡(luò)的好友推薦中發(fā)揮著重要作用。

３）設(shè)置好友推薦的用戶反饋機(jī)制。用戶反饋可以協(xié)助系統(tǒng)更好地評定好友推薦模型的準(zhǔn)確性，如用戶可以對推薦結(jié)果做出“接受” 或者“拒絕”的反饋。如果用戶接受， 證明好友推薦模型相對合理； 如果用戶拒絕， 則系統(tǒng)需要對推薦模型進(jìn)行調(diào)整， 提高推薦的精確度［２０］ 。用戶反饋可以帶來一些潛在的好處， 如提供了對好友推薦模型的直接洞察， 使好友推薦模型能更準(zhǔn)確地反映用戶偏好； 能使達(dá)到某一準(zhǔn)確度所需的訓(xùn)練數(shù)據(jù)減少； 可以帶來更靈活的好友推薦模型， 尤其在用戶偏好不穩(wěn)定的領(lǐng)域作用較大。而現(xiàn)有的好友推薦系統(tǒng)大多缺失用戶反饋功能， 這對于好友推薦是不利的。因此， 未來的好友推薦系統(tǒng)可以考慮加入用戶反饋， 從而提供高質(zhì)量的好友推薦。

４）改進(jìn)好友推薦系統(tǒng)的可拓展性。目前， 好友推薦系統(tǒng)在推薦時(shí)不僅要考慮推薦的準(zhǔn)確性， 還要保證計(jì)算時(shí)間盡可能短， 以求準(zhǔn)確實(shí)時(shí)地推薦信息， 即好友推薦系統(tǒng)要具有可拓展性［３８］ 。如通過擴(kuò)大吞吐量來改進(jìn)好友推薦系統(tǒng)的可擴(kuò)展性， 其中， 吞吐量定義為每秒推薦的數(shù)量。好友推薦系統(tǒng)可以通過降維技術(shù)來實(shí)現(xiàn)可拓展性， 因?yàn)榻稻S去除了冗余的特征保留了關(guān)鍵的特征， 可以避免系統(tǒng)過擬合， 從而提高系統(tǒng)的靈活性和吞吐量， 也能提高系統(tǒng)的運(yùn)行速度。Ｎｉｌａｓｈｉ Ｍ 等［３９］ 使用了一種降維技術(shù)， 奇異值分解（ＳＶＤ）， 在每個(gè)項(xiàng)目和用戶聚類中找到最相似的項(xiàng)目和用戶， 結(jié)果表明， 使用聚類和降維技術(shù)的方法， 吞吐量明顯高于其他方法。

４研究總結(jié)

目前， 越來越多的社交網(wǎng)絡(luò)平臺加入了好友推薦的功能， 但當(dāng)前的好友推薦系統(tǒng)仍需要進(jìn)一步改進(jìn)， 使好友推薦可以被更有效、更廣泛地應(yīng)用。在本文中， 首先界定了好友推薦的概念， 梳理了好友推薦的過程； 其次總結(jié)了３種社交網(wǎng)絡(luò)好友推薦方法， 分別是基于內(nèi)容的好友推薦方法、基于社交關(guān)系的好友推薦方法和混合好友推薦方法， 其中， 前兩種方法較為單一， 存在局限， 后者能夠較好地解決這一問題； 第三， 通過歸納總結(jié)， 發(fā)現(xiàn)現(xiàn)有好友推薦存在冷啟動(dòng)、數(shù)據(jù)稀疏、動(dòng)態(tài)變化、信息繭房以及用戶隱私問題等研究不足； 最后提出了好友推薦的研究展望， 包括增加好友推薦的多維性， 供好友推薦結(jié)果的解釋， 設(shè)置用戶反饋機(jī)制， 提高好友推薦系統(tǒng)的可拓展性等。本研究通過對社交網(wǎng)絡(luò)中好友推薦的概念、過程、方法進(jìn)行梳理、歸納和總結(jié)， 得到了一些有價(jià)值的結(jié)果和結(jié)論， 希望該研究能對社交網(wǎng)絡(luò)中好友推薦的深入研究和實(shí)踐推進(jìn)提供有益的參考。