社交媒體中的信息推薦

黃立威，李德毅

(1.解放軍理工大學指揮自動化學院，江蘇南京 210007;2.中國電子系統工程研究所，北京 100141)

社交媒體中的信息推薦

黃立威1，李德毅2

(1.解放軍理工大學指揮自動化學院，江蘇南京 210007;2.中國電子系統工程研究所，北京 100141)

近年來社交媒體越來越流行，可以從中獲得大量豐富多彩的信息的同時，也帶來了嚴重的“信息過載”問題.推薦系統作為緩解信息過載最有效的方法之一，在社交媒體中的作用日趨重要.區別于傳統的推薦方法，社交媒體中包含大量的用戶產生內容，因此在社交媒體中，通過結合傳統的個性化的推薦方法，集成各類新的數據、元數據和清晰的用戶關系，產生了各種新的推薦技術.總結了社交推薦系統中的幾個關鍵研究領域，包括基于社會化標注的推薦、組推薦和基于信任的推薦，之后介紹了在信息推薦中考慮時間因素時的情況，最后對社交媒體中信息推薦有待深入研究的難點和發展趨勢進行了展望.

信息推薦;信息過載;推薦系統;社交媒體

隨著Web 2.0的應用以及各種類型的社交媒體的流行，在線用戶的行為已經發生了巨大的變化，正如Rosa等［1］在其報告中描述的那樣:“在線行為已經不能僅僅用搜索或瀏覽來概括，其正在演化為交互、迅速的內容創建和分享”，Web 2.0讓任何人都可以通過互聯網進行分享和交互，并最終涌現出群體智能［2］.

新一代的Web應用不再僅僅是只讀的，Web用戶也不僅僅是信息的消費者，他們成為了信息的生產者.用戶積極參與到社交網絡中，上傳個人照片，分享他們的書簽，寫博客，發微博，對他人提供的信息進行注釋和評論.他們不僅提供信息，而且提供“自己”，在社交網站上建立詳細的個人檔案并分享這些信息，與成千上萬的網絡用戶建立虛擬的朋友關系，大量的用戶在這些社交媒體上每天花費大量的時間，并且產生了大量的信息;但與此同時也帶來了一個巨大的挑戰:信息過載，即過量信息同時呈現使得用戶很難從中獲取對自己有用的部分，信息使用效率反而降低.現有的很多網絡應用，比如門戶網站、搜索引擎和專業數據索引本質上都是幫助用戶過濾信息.然而這些工具只滿足主流需求，沒有個性化的考慮，仍然無法很好地解決信息過載的問題.變被動搜索為主動推薦，社會推薦系統(social recommender system)作為解決信息過載問題的重要手段，是當前解決社交媒體中信息超載問題的最有效的方法之一.推薦系統由于能夠提高服務的使用者數量，并且提升用戶的滿意度和忠誠度，可以更加理解用戶的需求，因此越來越受到各種服務供應商的重視［3］.

1 傳統推薦方法

文獻［4］給出了推薦系統的一般的形式化定義:設C是所有用戶(user)的集合，S是所有可以推薦給用戶的對象(item)的集合.在實際情況下，C和S集合的規模都非常大.用效用函數u計算對象s對用戶c的推薦度，即u:C×S→R，R是一個全序集合(在一定范圍內非負的整數或實數)，推薦要研究的問題就是對每一個用戶c∈C，找到推薦度u最大的對象s'∈S，如式(1):

用戶和對象都可以通過一組不同的屬性和特征來表示.推薦算法研究的核心問題在于效用度u通常并非定義在整個C×S空間上，而是在其中的一個子空間上，這就意味著必須對u外推(extrapolation)到整個空間上.例如，通常推薦度被定義為用戶對對象的評分，因為用戶只對部分對象進行了評分，所以在從所有對象中選擇推薦度最高的對象推薦給用戶之前，必須先基于已經評分的對象來預測用戶對未評分對象的評分，從已知的評分到未知的評分的預測，就是外推的過程.對未評分對象的評分可以采用不同的方法進行預測，例如機器學習、近似理論和各種啟發式的方法.對推薦方法的分類通常是依據預測方法的不同，傳統的推薦方法基本包括以下幾種:基于內容的推薦(content－based recommendation)［5］、協同過濾推薦(collaborative filtering recommendation)［6］、基于知識的推薦 (knowledgebased recommendation)［7］和混合推薦(hybrid recommendation)［8］.

1)基于內容的推薦:是指根據用戶已經選擇的對象，推薦其他內容上類似的對象作為推薦，屬于Schafer劃分中［9］的 Item－to－Item Correlation 方法.該方法首先由系統隱式獲取或者由用戶顯式給出用戶對項目屬性的偏好，然后通過計算已知用戶偏好的對象和等待預測偏好的對象之間內容上的匹配度(或相似度)，最后按照偏好排序結果向用戶推薦其可能感興趣的對象，可分為啟發式方法和基于模型的方法［4］.

2)協同過濾推薦:類似于現實世界中自動傳播口碑(word－of－mouth)的過程，根據已知的用戶偏好，計算用戶之間的相似度，從而推薦相似用戶的偏好給當前用戶.其基本思想非常易于理解，在日常生活中，人們往往會利用好朋友的推薦來進行一些選擇.協同過濾正是把這一思想運用到推薦系統中來，即基于其他用戶對某一內容的評價向目標用戶進行推薦.又可以分為啟發式方法和基于模型的方法［4］:前者需要計算用戶(或者推薦對象)之間的相似度，后者利用已知用戶偏好學習一個模型為活動用戶或者活動項目進行偏好預測.協同過濾主要包括2項主要技術［10］:鄰域方法(neighborhood approach)和隱因子建模(latent factor models).

3)基于知識的推薦:在某種程度上可以看成是一種推理(inference)技術.它不是建立在用戶需要和偏好的基礎上推薦的，而是利用針對特定領域制定規則(rule)來進行基于規則和實例的推理(casebased reasoning).效用知識(functional knowledge)是一種關于一個對象如何滿足某一特定用戶的知識，能夠解釋需求和推薦的關系，因此用于推薦系統.效用知識在推薦系統中必須以機器可讀的方式存在(ontology本體知識庫).

4)混合推薦:混合推薦一個最重要原則就是通過組合后應能避免或彌補各自推薦技術的弱點，按照不同的混合策略(如加權、切換、混合呈現、特征組合、串聯、特征擴充、元層次混合等)將不同推薦類型或推薦算法進行組合并生成推薦.

2 社交媒體中的信息推薦

社交媒體中，能夠獲得的用戶數據不僅僅包含用戶人口信息(user demographic information)，用戶生成的內容(user generated content)如評論(comments)、標簽(tags)、微博(如 tweets)等，其內容也越來愈豐富，其中蘊含的巨大價值也越來越被大家認識到.通過數據挖掘和信任管理等技術對這些數據進行分析，可以得到更加準確和詳細的用戶數據(user profile)，其不僅包含用戶對特定對象的偏好信息，而且包含用戶的主題興趣和用戶之間的信任關系等，可以將所有的這些用戶信息稱為增強的用戶數據(enhanced user profile)，基于這些數據，往往能夠產生更加可靠和高質量的推薦.因此在社交媒體中，通過結合傳統的個性化的推薦方法，集成社交媒體中新的數據、元數據和清晰的用戶關系，產生了各種新的推薦技術［11］.

由于在社交媒體中可以獲得更加多樣和豐富的數據，包括標簽、用戶的社交關系等，促使社交媒體中的推薦模式(recommendation mode)［12］不再單一，推薦的內容更加多樣，除了包括一般的資源，如視頻、新聞等，還包括標簽和人的推薦;而且推薦的對象也更加多樣，不僅僅對單個用戶，還可能是一群用戶，即組推薦(group recommendation).由于人們在現實生活中更容易聽取來自于朋友的建議，因此基于信任的推薦(trust－based recommendation)也非常重要.此外在推薦過程中時間往往對推薦的效果會產生至關重要的影響，這是必須考慮的因素.因此本文將重點對目前社交媒體的信息推薦中以上幾個重要研究領域進行介紹.

2.1 基于社會化標注的推薦

最近10年，社會化標注(social tagging)的出現，已經在產業界得到了廣泛應用，出現了Delicious、Flickr、Youtube、LibraryThing、Last.fm、Connotea、CiteUlike、Technorati等眾多新的應用與體驗.由于允許任意用戶可以對感興趣的網絡資源進行基于自身理解的無約束標注，并且所有用戶的標注都互為可見，這種開放、共享的模式以及反映用戶真實的理解和觀點的標注為信息資源組織、檢索和共享帶來了一種全新理念，它是一種大眾群體智慧的體現.標簽與以往推薦系統所能獲得的信息的本質區別是:標簽作為用戶所選擇的關鍵詞，體現了用戶對資源的理解，并且成為了用戶之間聯系和交流的紐帶.可以說，標簽既表達了信息資源的主要特征，同時又涵蓋了用戶與資源之間、以及用戶與用戶之間的關系，兼具內容與關聯的特征.將標簽作為推薦技術的數據來源，便有可能開發出同時具備內容過濾和協同過濾優越性的推薦技術，形成基于社會化標注的推薦［13－14］.

大眾分類法(folksonomy)是社會化標注系統的

基本結構，在社會化標注系統中，大眾分類法形式上可以由一個四元組表示，即F=(U，T，R，Y)，U、T、R分別代表用戶、標簽和資源的集合，Y是它們之間的一個三元關系的集合，即Y?U×T×R，其中的每個元素稱為標簽分配關系(tag assignments)［15］.大眾分類法的數據一般可以通過2種方式表示:1)用A、A'、A″分別表示 user－item、user－tag 和 tag－item 關系的鄰接矩陣;2) 用三維矩陣(third－order tensors)［16－17］或超圖(hypergraphs)［18］表示，將Y分別用三維矩陣Z=(zu，t，r) ∈R|U|×|T|×|R|和三分無向超圖G=(V，E)，V=U∪T∪R，E={{u，t，r}|(u，t，r)∈Y}來表示.由于傳統的推薦方法是基于user－item的二分關系，通過存在的值來預測缺失的值，而大眾分類法的數據本質上卻是一個三元關系，如果在社會化標注系統中進行推薦，要么將三元關系降維為二元關系，然后采用傳統推薦方法進行推薦，這樣在維度約減過程中必然會丟失一些信息，要么基于三維矩陣或超圖采用新的方法來進行推薦.目前很多研究者在這2個方面都做了很多工作，下面將介紹比較重要的幾類方法.

1)協同過濾方法:采用傳統的協同推薦方法進行推薦.Marinho等［19］先將三維空間投影到2個二維空間，即用戶－標簽空間和用戶－資源空間，然后使用傳統的協同過濾推薦方法，進行標簽推薦和資源推薦.Tso－Sutter等［20］同樣是將三維空間降維到用戶－資源空間，但他們通過將標簽作為偽用戶和偽資源得到2個不同的用戶－資源矩陣，然后采用傳統的協同過濾推薦方法進行資源推薦，得到了更好的結果.

2)基于排序的推薦:這種方法思想來源于web排序，這種方法的共同點是利用大眾分類法數據結構的頻譜特征來對推薦的資源等進行打分，依據分數高低進行推薦.該方法主要包括基于三維矩陣的因式分解進行排序的方法［16－17，21］以及 Hotho 等［22］基于pagerank的思想提出的folkrank算法.基于排序的推薦方法是對標簽進行排序，其核心思想是重要的標簽由重要的用戶提供.

3)基于內容的推薦:前面2類方法都沒有考慮推薦對象的內容，實際上推薦的內容在推薦過程中也可能發揮很大的作用，很多研究者研究了基于文本［23］、圖 片［24］和音 頻［25］內 容 的 推 薦 方 法.Illig等［26］對基于不同內容的標簽推薦方法進行了比較.

事實上，雖然目前對基于社會化標注的推薦研究已經取得了不錯的成果，但仍然還面臨很大的挑戰，如標簽本身存在語義上的一詞多意、同義、模糊性等，噪聲標簽問題，如何提供實時推薦的問題，以及如何結合社會網絡進行推薦的問題等，這些問題的存在也為研究者提供了新的方向.

2.2 組推薦

目前大部分的推薦系統都是面向單個用戶，而面向一組用戶的推薦還較少.但事實上很多時候可能必須面對一組用戶進行推薦，例如，向一群朋友推薦旅行安排，向一個家庭推薦電視節目，向一群同事推薦出差時的住宿地點等.目前也有一些組推薦系統，如MUSICFX［27］、POLYLENS［28］、INTRIGUE［29］等.

組推薦的目的是為每個要推薦的對象給出一個打分，打分必須反映組內各成員的興趣和偏好，然后根據打分進行組推薦.組推薦區別于個人推薦的最大不同在于:通常組內各成員對同一對象的感興趣程度是不同的，最后必須針對組內所有成員的偏好給出一個一致的推薦.目前對組推薦的研究主要是通過集成所有單個組成員來產生組推薦，主要包括2 種方法［30－32］:一種是集成模型(aggregated models)，這種方法將所有用戶的組看成一個虛擬用戶，通過集成組內用戶的信息得到虛擬用戶的信息(包括偏好信息等)，然后對虛擬用戶進行個人的推薦;另一種是集成預測(aggregated predictions)，這種方法通過研究單個用戶的歷史偏好數據，產生單個用戶對推薦對象的預測分數，然后集成這些分數產生組推薦.由于集成預測方法更加靈活［33］，本文主要介紹這種方法，另外對集成模型的相關研究可以參考文獻［27，34－35］.

Masthoff在文獻［34］中給出了11種集成策略，包括主投票(plurality voting)、最小傷害(least misery)、公平性(fairness)、打分平均值(average)、乘法(multiplicative)、Borda計數(borda count)、Copeland規則(Copeland rule)、贊成投票(approval voting)、最開心(most pleasure)、不考慮傷害平均(average without misery)、最受尊敬的人(most respected person)，還有研究者將個人模型線性組合為一個組模型(group modeling)，文獻［35］通過實驗分析了各種集成策略的優劣，而事實上這些策略的好壞更多地可能決定于實際的應用需求，取決于人們的推薦想實現的目的.

組推薦是一個較新的領域，目前仍然存在很多挑戰，需要進一步研究，Masthoff在文獻［36］中總結了若干個方向，例如如何解決數據稀疏問題;如何根據用戶的動態信息提供動態的推薦，為組提供連續推薦;如何處理信息中的不確定性，為組推薦提供更合理的解釋;如何在推薦中加入協商機制等.

2.3 基于信任的推薦

在傳統的推薦中，往往并沒有考慮用戶的社交關系，而事實上關聯的用戶之間更可能有相同或相似的興趣，另外用戶也容易被自己信任的朋友所影響，更容易接受朋友的推薦，因此當考慮用戶社交關系進行推薦時會更加準確.有研究也已經指出當面對來自朋友的推薦和來自相似但陌生的用戶的推薦時，用戶更傾向于接受來自朋友的推薦［37］.目前有很多比較典型的包含用戶信任關系的社交媒體，如Epinions.com.

基于信任的推薦與傳統的推薦技術最大的不同在于推薦時考慮了用戶之間的信任關系，而這種信任關系可以用信任網絡(trust network)來表示，除了考慮用戶之間的信任關系，還有很多研究也同時考慮了用戶之間的不信任關系.信任度量和推薦技術是基于信任的推薦的2個支撐技術［38］.信任度量是基于信任網絡來度量網絡中任意2個用戶之間的信任關系，通常這種信任關系是有向的，也就是非對稱的.信任度量涉及到3個關鍵技術:1)信任模型(trust model):如何表示用戶之間的信任和不信任;2)信任傳播(trust propagation):如何通過網絡路徑計算不相鄰用戶之間信任的傳遞;3)信任集成:如何集成多條路徑所傳播的信任.本文主要對基于信任的推薦技術進行介紹，目前已經有很多關于信任度量的研究，具體參考文獻［39－41］.

文獻［38］根據信任網絡中用戶之間的信任值獲取的方式，將基于信任的推薦大致分為了2類:具有清晰的信任關系(explicit trust)的推薦和含蓄的信任關系(implicit trust)的推薦.前者的信任值通過讓用戶直接對其朋友進行信任值打分獲得;后者的信任值不需要用戶直接對朋友進行信任值打分，而是通過一些其他信息自動計算得來.

1)基于清晰的信任關系的推薦中，集成值得信任的用戶對目標資源的打分，來給目標用戶進行推薦，最普遍的方法主要有2種:加權平均和協同過濾.a)加權平均是通過信任值超過一定閾值的用戶對目標資源打分，然后對這些評分進行加權平均，預測得到目標用戶對目標資源的打分，依據打分高低對用戶進行推薦，其中方法的關鍵在于如何度量用戶之間的信任值.Golbeck等［42］提出的TidalTrust算法通過考慮用戶之間最短和信任值最高的路徑，度量不相鄰用戶之間的信任值.b)協同過濾的方法利用協同過濾機制，將信任值代替相似值，預測得到目標用戶對目標資源的打分.Massa等［43］提出的Mole－Trust算法是另一個度量不相鄰用戶之間信任值的算法.

2)基于含蓄的信任關系的推薦中，最著名的是O’Donovan等在文獻［44］提出的算法，從Profile和Item 2個方面度量用戶之間的信任值，將信任值融入傳統的協同過濾框架中，得到更高的準確度.另外在文獻［45］中，Ma等還同時考慮了用戶之間的信任關系和傳統推薦中的相似關系，將信任網絡的鄰接矩陣和user－item矩陣進行概率矩陣因式分解，然后進行集成產生推薦，實驗結果表明此方法具有很高的可擴展性，預測的準確度比當前流行的方法都要高.

基于信任的推薦在一定程度上可以緩解傳統推薦中的數據稀疏和冷啟動問題，但同時也面臨很多其他的挑戰，通過直接讓用戶打分或用戶的個人和交互信息建立起始的信任網絡，都不能保證得到準確或全面的信任關系，如何更好地建立起始的信任網絡是一個重要的問題，而事實上目前還存在的最大的困難之一是可以獲得的數據集太少，不利于研究的深入展開［38］.

2.4 信息推薦中的時間因素

大部分的推薦系統都忽視了時間因素，用戶和資源的信息會發生變化，新的用戶和資源會加入，舊的用戶和資源會退出，尤其是在像Twitter、Facebook這種社交媒體中，這種變化可以說是實時的，這些都會影響用戶興趣的變化，因此如何建模時間因素的影響來為用戶提供更加準確的推薦成為了一個重要的研究課題.本文主要介紹2個時間因素:時間動力學(temporal dynamic)和時間多樣性(temporal diversity).

推薦過程中最大的問題是預測用戶當前的興趣，而用于挖掘的數據則來源于不同的時間，因此所反映的用戶興趣如何盡量符合當前的事實，這是一個巨大的挑戰.Koren［46］基于協同過濾的2種方法，在因子模型中建模用戶偏差(user biases)、對象偏差(Item biases)和用戶興趣(User preferences)的時間變化，目的是從數據中提取一些影響用戶偏好的長期因素，在鄰域模型中也建模了用戶偏差(user biases)、對象偏差(Item biases)的時間變化，還考慮了用戶打分的時間不同的情況，目的是發現一些更加基本的對象關聯關系，通過這2種模型在Netflix的數據中進行實驗，得到的結果都比不考慮時間影響的情況有了顯著提高.Dror等［47］利用Koren在文獻［46］中提出的方法進行更細分辨率的時間動力學建模，在Yahoo音樂的數據集上實驗，得到了更好的結果.Xiang等［48］分別對用戶的長期和短期偏好進行建模，將用戶某一時刻之前的選擇作為長期偏好，將用戶這一時刻的會話(session)選擇作為短期偏好，集成長期和短期偏好形成推薦，實驗結果表明此方法取得了更高的準確率.

另外在推薦過程中，往往還需要考慮是否對用戶進行重復的推薦，因為重復推薦可能讓用戶對推薦系統失去興趣.Lathia等［49］通過對Netflix數據進行分析，發現目前的CF推薦方法具有較低的多樣性，即在時間上容易產生相同的推薦，他們還提出了3種不同方法，在沒有降低推薦的準確性的前提下，顯著提高了多樣性.

目前關于在推薦的過程中考慮時間因素的研究還較少，如何更好地在時間上對用戶興趣進行建模，在推薦過程中考慮推薦的時間多樣性，避免產生重復的推薦，都是值得研究的問題.

3 總結和展望

在互聯網迅猛發展的今天，各類信息的日益膨脹，信息過載問題愈來愈嚴重，推薦系統被認為是緩解此難題的最有效的方法之一.然而，現有的推薦算法仍然存在傳統推薦方法中的特征提取、冷啟動、過擬合、數據稀疏等問題，需要不斷完善和解決.同時隨著社交媒體的興起，用戶產生的內容也越來越豐富，必然使得用戶獲得有用數據的難度也越來越大.將推薦系統應用于處理社交媒體中的信息過載，近年來已經成為學術界和工業界的一個研究熱點，取得許多研究成果，同時由于社交媒體具有自身的特點，也使得人們面臨一些新的挑戰，但也為未來的研究指明了更多的方向:

1)可擴展性問題.如何將線下的推薦算法推廣到線上，使其能夠處理好這些大量的動態數據.

2)用戶隱私的保護.大量的用戶數據被獲取，可能讓用戶擔心隱私問題，必須確保用戶的數據不會被惡意用戶利用.

3)推薦的多樣性和奇異性(serendipity).用戶往往希望獲取更多類型的推薦，而在每次會話中可以獲得不同的推薦，同時也希望得到一些意想不到的推薦.

4)跨領域推薦.推薦過程中容易遇到數據稀疏的問題，通過集成不同領域的數據，可以同時為用戶提供更多領域、更加準確的推薦.

5)基于移動計算的推薦.采用移動設備，可以更好地感知用戶的情境，可以根據用戶的位置、時間等情境信息，提供更加個性化的推薦.

社交媒體發展到今天，所能利用的數據是海量的，但目前研究者提出的眾多方法中，實際上被應用到大型系統發揮作用的卻不多，而被應用最多的往往是最簡單的技術，誠然這有部分原因是由于算法的可擴展性不夠，但事實上更多的原因可能是研究者們僅僅將注意力放在了算法上，而忽視了數據這部分的考慮和研究.目前很少有研究分析過是否推薦中需要用到所有的數據，筆者認為對于一個用戶而言，往往關心的是自己所處的小眾，可能對于需求極其個性化的單個用戶而言，需要的數據只是能夠獲得的海量數據中的極少的一部分;因此利用剛好足夠的數據來進行推薦，也許會為提高各種推薦技術的實用性提供一條新的思路.

伴隨著這些問題的逐漸解決，推薦系統必將在社交媒體中發揮更大的作用.筆者將該領域的研究進展和趨勢進行歸納總結，非常希望能夠提供一些有用的信息，以鼓勵學者繼續在該領域中開拓更多更深的研究.

［1］ROSA C D，HAVENS J C A，HAWK J，et al.Sharing，privacy and trust in our networked world［R/OL］. ［2012－01－05］.http://www.oclc.org/reports/sharing/default.htm.

［2］LIU Yuchao，ZHANG Haisu，MA Yutao，et al.Collective intelligence and uncertain knowledge representation in cloud computing［J］.China Communications，2011，8(6):58－66.

［3］RICCI F，ROKACH L，SHAPIRA B.Introduction to recommender systems handbook［M］//Recommender Systems Handbook.New York，USA:Springer，2011:1－35.

［4］ADOMAVICIUS G，TUZHILIN A.Toward the next generation of recommender systems:a survey of the state－of－the－art and possible extensions［J］.IEEE Transactions on Knowledge and Data Engineering，2005，17(6):734－749.

［5］MOONEY R J，ROY L.Content－based book recommending using learning for text categorization［C］//Proceedings of 5th ACM Conference on Digital Libraries.San Antonio，USA，2002:195－204.

［6］BREESE J S，HECKERMAN D，KADIE C.Empirical analysis of predictive algorithms for collaborative filtering［C］//Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence.San Francisco，USA，1998:43－52.

［7］BURKE R.Knowledge－based recommender systems［J］.Encyclopedia of Library and Information Systems，2000，69(32):180－200.

［8］BALABANOVIC M，SHOHAM Y.Fab:content－based，collaborative recommendation［J］.Communications of the ACM，1997，40(3):66－72.

［9］SCHAFER J B，KONSTAN J，RIEDL J.Recommender systems in e－commerce［C］//Proceedings of the 1st ACM Conference on Electronic Commerce.Denver，USA，1999:158－166.

［10］YEHUDA K，BELL R.Advances in collaborative filtering［M］//RICCI F，ROKACH L，SHAPIRA B.Recommender Systems Handbook.New York，USA:Springer，2011:145－186.

［11］GUY I，CARMEL D.WWW 2011 tutorial on social recommender systems［EB/OL］. ［2012－01－05］.http://sysrun.haifa.il.ibm.com/hrl/srs2011/index.html.

［12］MARINHO L B，NANOPOULOS A，SCHMIDT－THIEME L，et al.Social tagging recommender systems［M］//RICCI F，ROKACH L，SHAPIRA B.Recommender Systems Handbook.New York，USA:Springer，2011:615－644.

［13］ZHANG Zike，ZHOU Tao，ZHANG Yicheng.Tag－aware recommender systems:a state－of－the－art survey［J］.Journal of Computer Science and Technology，2011，26(5):767－777.

［14］GUY I，ZWERDLING N，RONEN I，et al.Social media recommendation based on people and tags［C］//Proceedings of the 33rd International ACM SIGIR Conference on Research and Development in Information Retrieval.Geneva，Switzerland，2010:194－201.

［15］DOUGLAS E，LAMERE P，BERTIN－MAHIEUX T，et al.Automatic generation of social tags for music recommendation［C］//Proceedings of the Twenty－First Annual Conference on Neural Information Processing Systems.Vancouver，Canada，2007:241－250.

［16］SYMEONIDIS P，NANOPOULOS A，MANOLOPOULOS Y.Tag recommendations based on tensor dimensionality reduction［C］//Proceedings of the 2008 ACM Conference on Recommender Systems.Lausanne，Switzerland，2008:43－50.

［17］RENDLE S，MARINHO L B，NANOPOULOS A，et al.Learning optimal ranking with tensor factorization for tag recommendation［C］//Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Paris，France，2009:727－736.

［18］ZLATIC V，GHOSHAL G，CALDARELLI G.Hypergraph topological quantities for tagged social networks［J］.Physical Review E:Statistical， Nonlinear， and Soft Matter Physics，2009，80(3):036118－036126.

［19］MARINHO L B，SCHMIDT－THIEME L.Collaborative tag recommendations［C］//Proceedings of the 31st Annual Conference of the Gesellschaft fur Klassifikation(GfKl).Freiburg，Germany，2007:533－540.

［20］TSO－SUTTER K H L，MARINHO L B，SCHMIDT－THIEME L.Tag－aware recommender systems by fusion of collaborative filtering algorithms［C］//Proceedings of the 2008 ACM Symposium on Applied Computing.Fortaleza，Brazil，2008:1995－1999.

［21］XU Yanfei，ZHANG Liang，LIU Wei.Cubic analysis of social bookmarking for personalized recommendation［C］//Frontiers of WWW Research and Development:APWeb 2006，8th Asia－Pacific Web Conference.Harbin，China，2006:733－738.

［22］HOTHO A，JASCHKE R，SCHMITZ C，et al.Information retrieval in folksonomies:search and ranking［C］//Proceedings of the 3rd European Conference on The Semantic Web:Research and Applications.Budva，Montenegro，2006:411－426.

［23］SONG Yang，ZHUANG Ziming，LI Huajing，et al.Realtime automatic tag recommendation［C］//Proceedings of the 31st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval.Singapore，2008:515－522.

［24］ABBASI R，GRZEGORZEK M，STAAB S.Using colors as tags in folksonomies to improve image classification［C］//Proceedings of the Third International Conference on Semantics and Digital Media Technologies.Koblenz，Germany，2008:13－34.

［25］CELMA O.Music recommendation and discovery in the long tail［D］.Barcelona，Spain:Universitat Pompeu Fabra，2008:45－60.

［26］ILLIG J，HOTHO A，JASCHKE R，et al.A comparison of content－based tag recommendations in folksonomy systems［C］//Proceedings of the International Conference on Knowledge Processing in Practice.Paris，France，2009:56－78.

［27］MCCARTHY J，ANAGNOST T.MusicFX:an arbiter of group preferences for computer supported collaborative workouts［C］//Proceedings of the ACM Conference on Computer Supported Cooperative Work.Seattle，USA，1998:363－372.

［28］O’CONNER M，COSLEY D，KONSTAN J A，et al.PolyLens:a recommender system for groups of users［C］//Proceedings of the European Conference on Computer－Supported CooperativeWork. Bonn， Germany，2001:199－218.

［29］ARDISSONO L，GOY A，PETRONE G，et al.Tailoring the recommendation of tourist information to heterogeneous user groups［M］.Berlin，Germany:Springer－Verlag，2002:280－295.

［30］BALTRUNAS L，MAKCINSKAS T，RICCI F.Group recommendations with rank aggregation and collaborative filtering［C］//Proceedings of the 4th ACM Conference on Recommender Systems.Barcelona，Spain，2010:119－126.

［31］CANTADOR I，CASTELLS P.Extracting multilayered communities of interest from semantic user profiles:application to group modeling and hybrid recommendations［J］.Computers in Human Behavior，2011，27(4):1321－1336.

［32］SENOT C，KOSTADINOV D，BOUZID M，et al.Analysis of strategies for building group profiles［C］//Proceedings of the 18th International Conference on User Modeling，Adaptation，and Personalization.Big Island，USA，2010:40－51.

［33］JAMESON A，SMYTH B.Recommendation to groups［M］//BRUSILOVSKY P，KOBSA A，NEJDL W.The Adaptive Web:Methods and Strategies of Web Personalization.Berlin/Heidelberg， Germany:Springer－Verlag，2007:596－627.

［34］MASTHOFF J.Group modeling:selecting a sequence of television items to suit a group of viewers［J］.User Modeling and User－Adapted Interaction，2004，14(1):37－85.

［35］YU Zhiwen，ZHOU Xingshe，HAO Yanbin，et al.TV program recommendation for multiple viewers based on user profile merging［J］.User Modeling and User－Adapted Interaction，2006，16(1):63－82.

［36］MASTHOFF J.Group recommender systems:combining individual models［M］//RICCI F，ROKACH L，SHAPIRA B.Recommender Systems Handbook.New York，USA:Springer，2011:677－702.

［37］SINHA R，SWEARINGEN K.Comparing recommendations made by online systems and friends［C］//Proceedings of the DELOS－NSF Workshop on Personalization and Recommender Systems in Digital Libraries.Dublin，Ireland，2001:34－54.

［38］VICTOR P，DE COCK M，CORNELIS C.Trust and recommendations［M］//RICCI F，ROKACH L，SHAPIRA B.Recommender Systems Handbook.New York，USA:Springer，2011:645－676.

［39］ARTZ D，GIL Y.A survey of trust in computer science and the semantic web［J］.Journal of Web Semantics，2007，5(2):58－71.

［40］GOLBECK J.Computing with social trust［M］.London，UK:Springer，2009:259－285.

［41］MCEVILY B，TORTORIELLO M.Measuring trust in organizational research:review and recommendations［J］.Journal of Trust Research，2011，1(1):23－63.

［42］GOLBECK J，MANNES A.Using trust and provenance for content filtering on the semantic web［C］//Proceedings of the Workshop on Models of Trust for the Web.Edinburgh，UK，2006:23－35.

［43］MASSA P，AVESANI P.Trust metrics on controversial users:balancing between tyranny of the majority and echo chambers［J］.International Journal on Semantic Web and Information Systems，2007，3(1):39－64.

［44］O’DONOVAN J，SMYTH B.Trust in recommender systems［C］//Proceedings of the 10th International Conference on Intelligent User Interfaces.San Diego，USA，2005:167－174.

［45］MA Hao，KING I，LYU M R.Learning to recommend with explicit and implicit social relations［J］.ACM Transactions on Intelligent Systems and Technology，2011，2(3):29－46.

［46］KOREN Y.Collaborative filtering with temporal dynamics［C］//Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Paris，France，2009:447－456.

［47］DROR G，KOENIGSTEIN N，KOREN Y.Yahoo!Music recommendations:modeling music ratings with temporal dynamics and item taxonomy［C］//Proceedings of the Fifth ACM Conference on Recommender Systems.Chicago，USA，2011:19－26.

［48］XIANG Liang，YUAN Quan，ZHAO Shiwan，et al.Temporal recommendation on graphs via long－ and short－term preference fusion［C］//Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Washington，DC，USA，2010:723－732.

［49］LATHIA N，HAILES S，CAPRA L，et al.Temporal diversity in recommender systems［C］//Proceedings of the 33rd International ACM SIGIR Conference on Research and Development in Information Retrieval.Geneva，Switzerland，2010:210－217.

黃立威，男，1985年生，博士研究生，主要研究方向為社會網絡分析、推薦系統等.

李德毅，男，1944年生，研究員，博士生導師，中國工程院院士，國際歐亞科學院院士，國家和全軍信息化專家咨詢委員會委員，中國人工智能學會理事長，中國電子學會副理事長，中國電子學會云計算專家委員會主任委員.主要研究方向為計算機工程、人工智能和指揮自動化.先后獲得國家科技進步獎等獎項17項、國家發明專利7項，曾被授予國家首屆優秀回國留學人員、國家有突出貢獻的中青年專家，2005年獲得何梁何利獎基金科學與技術進步獎，2006年獲得中國人民解放軍專業技術重大貢獻獎.發表學術論文百余篇，出版專著5部、英文專著3部，主編技術叢書7種.

A review of information recommendation in social media

HUANG Liwei1，LI Deyi2

(1.Institute of Automatic Commanding，PLA University of Science and Technology，Nanjing 210007，China;2.Institute of Electronic System Equipment Engineering，Beijing 100141，China)

Social media has become tremendously popular in recent years，and much rich information can be derived from it.However，the massive amount results in a serious“information overload”problem.As one of the most effective methods to ease the“information overload”problem，recommender systems play an important role in social media.Social media contains a large amount of user－generated content.Through the aggregation of all types of new data，metadata，and clear relationships between users and by combining the traditional method of personalized recommendations，a variety of new technologies emerge in recommender systems.This paper summarizes several key research areas in social recommender systems，including recommendations based on social tagging and group recommendations，as well as the recommendations based on trust.It then introduces several temporal aspects that affect social recommender systems，and finally proposes that the research difficulty be tackled while laying out the expectations for future development trends in the information recommendation system in social media.

information recommendation;information overload;recommendation systems;social media

TP391

A

1673－4785(2012)01－0001－08

10.3969/j.issn.1673－4785.201201004

http://www.cnki.net/kcms/detail/23.1538.TP.20120218.1622.002.html

2012－01－10. 網絡出版時間:2012－02－18.

國家自然科學基金資助項目(61035004).

黃立威.E－mail:huangliwei.1985@gmail.com.