【学术论文】社交媒体中的信息推荐

第7卷第1期 智能系统学报 Vol.7 No.1 2012年2月 CAAI Transactions on Intelligent Systems Feh.2012 D0I:10.3969/i.issn.16734785.201201004 网络出版t地址：htp://www.cnki.net/kcma/detail/23.1538.TP.20120218.1622.002.html 社交媒体中的信息推荐 黄立威，李德毅2 (1.解放军理工大学指挥自动化学院，江苏南京210007；2.中国电子系统工程研究所，北京100141) 摘要：近年来社交媒体越来越流行，可以从中获得大量丰富多彩的信息的同时，也带来了严重的“信息过载”问题. 推荐系统作为缓解信息过载最有效的方法之一，在社交媒体中的作用日趋重要.区别于传统的推荐方法，社交媒体 中包含大量的用户产生内容，因此在社交媒体中，通过结合传统的个性化的推荐方法，集成各类新的数据、元数据和 清晰的用户关系，产生了各种新的推荐技术.总结了社交推荐系统中的几个关键研究领域，包括基于社会化标注的 推荐、组推荐和基于信任的推荐，之后介绍了在信息推荐中考虑时间因素时的情况，最后对社交媒体中信息推荐有 待深入研究的难点和发展趋势进行了展望。 关键词：信息推荐；信息过载；推荐系统；社交媒体 中图分类号：TP391文献标志码：A文章编号：16734785(2012)01000108 A review of information recommendation in social media HUANG Liwei,LI Deyi2 (1.Institute of Automatic Commanding,PLA University of Science and Technology,Nanjing 210007,China;2.Institute of Electron- ic System Equipment Engineering,Beijing 100141,China) Abstract:Social media has become tremendously popular in recent years,and much rich information can be de- rived 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 personal- ized recommendations,a variety of new technologies emerge in recommender systems.This paper summarizes sever- al 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. Keywords:information recommendation;information overload;recommendation systems;social media 随着Wb2.0的应用以及各种类型的社交媒 群体智能[]」 体的流行，在线用户的行为已经发生了巨大的变化， 新一代的Web应用不再仅仅是只读的，Web用 正如Rosa等在其报告中描述的那样：“在线行为 户也不仅仅是信息的消费者，他们成为了信息的生 已经不能仅仅用搜索或浏览来概括，其正在演化为 产者.用户积极参与到社交网络中，上传个人照片， 交互、迅速的内容创建和分享”，Wb2.0让任何人 分享他们的书签，写博客，发微博，对他人提供的信 都可以通过互联网进行分享和交互，并最终涌现出 息进行注释和评论.他们不仅提供信息，而且提供 “自己”，在社交网站上建立详细的个人档案并分享 收稿日期：2012-01-10.，网络出版时间：201202-18 基金项目：国家自然科学基金资助项目(61035004) 这些信息，与成千上万的网络用户建立虚拟的朋友 通信作者：黄立威.E-mail:huangliwei.1985@gmail.com 关系，大量的用户在这些社交媒体上每天花费大量

2 智能系统学报 第7卷 的时间，并且产生了大量的信息；但与此同时也带来 1)基于内容的推荐：是指根据用户已经选择的 了一个巨大的挑战：信息过载，即过量信息同时呈现 对象，推荐其他内容上类似的对象作为推荐，属于 使得用户很难从中获取对自己有用的部分，信息使 Schafer划分中[9的Iem-to-Item Correlation方法.该 用效率反而降低.现有的很多网络应用，比如门户网 方法首先由系统隐式获取或者由用户显式给出用户 站、搜索引擎和专业数据索引本质上都是帮助用户 对项目属性的偏好，然后通过计算已知用户偏好的 过滤信息.然而这些工具只满足主流需求，没有个性 对象和等待预测偏好的对象之间内容上的匹配度 化的考虑，仍然无法很好地解决信息过载的问题.变 (或相似度)，最后按照偏好排序结果向用户推荐其 被动搜索为主动推荐，社会推荐系统(social recom 可能感兴趣的对象，可分为启发式方法和基于模型 mender system)作为解决信息过载问题的重要手段， 的方法[ 是当前解决社交媒体中信息超载问题的最有效的方 2)协同过滤推荐：类似于现实世界中自动传播 法之一推荐系统由于能够提高服务的使用者数量， 口碑(word-of-mouth)的过程，根据已知的用户偏好， 并且提升用户的满意度和忠诚度，可以更加理解用 计算用户之间的相似度，从而推荐相似用户的偏好 户的需求，因此越来越受到各种服务供应商的重 给当前用户.其基本思想非常易于理解，在日常生活 视3. 中，人们往往会利用好朋友的推荐来进行一些选择， 1传统推荐方法 协同过滤正是把这一思想运用到推荐系统中来，即 基于其他用户对某一内容的评价向目标用户进行推 文献[4]给出了推荐系统的一般的形式化定 荐.又可以分为启发式方法和基于模型的方法4]： 义：设C是所有用户(user)的集合，S是所有可以推 前者需要计算用户（或者推荐对象）之间的相似度， 荐给用户的对象(item)的集合.在实际情况下，C和 后者利用已知用户偏好学习一个模型为活动用户或 S集合的规模都非常大.用效用函数u计算对象s 者活动项目进行偏好预测.协同过滤主要包括2项 对用户c的推荐度，即u:C×S→R,R是一个全序集 主要技术fo1:邻域方法(neighborhood approach)和 合（在一定范围内非负的整数或实数），推荐要研究 隐因子建模(latent factor models) 的问题就是对每一个用户c∈C,找到推荐度u最大 3)基于知识的推荐：在某种程度上可以看成是 的对象s'∈S,如式(1)： 种推理(inference)技术.它不是建立在用户需要 Vc E C,s2 arg max u(c,s). (1) 和偏好的基础上推荐的，而是利用针对特定领域制 用户和对象都可以通过一组不同的属性和特征 定规则(rle)来进行基于规则和实例的推理(case 来表示.推荐算法研究的核心问题在于效用度“通 based reasoning).效用知识(functional knowledge)是 常并非定义在整个C×S空间上，而是在其中的一 一种关于一个对象如何满足某一特定用户的知识， 个子空间上，这就意味着必须对u外推(extrapola- 能够解释需求和推荐的关系，因此用于推荐系统.效 tion)到整个空间上.例如，通常推荐度被定义为用 用知识在推荐系统中必须以机器可读的方式存在 户对对象的评分，因为用户只对部分对象进行了评 (ontolog.罗本体知识库). 分，所以在从所有对象中选择推荐度最高的对象推 4)混合推荐：混合推荐一个最重要原则就是通 荐给用户之前，必须先基于已经评分的对象来预测 过组合后应能避免或弥补各自推荐技术的弱点，按 用户对未评分对象的评分，从已知的评分到未知的 照不同的混合策略（如加权、切换、混合呈现、特征 评分的预测，就是外推的过程.对未评分对象的评分 组合、串联、特征扩充、元层次混合等)将不同推荐 可以采用不同的方法进行预测，例如机器学习、近似 类型或推荐算法进行组合并生成推荐， 理论和各种启发式的方法.对推荐方法的分类通常 是依据预测方法的不同，传统的推荐方法基本包括 2社交媒体中的信息推荐 以下几种：基于内容的推荐(content-based recom- 社交媒体中，能够获得的用户数据不仅仅包含 mendation)[s]、协同过滤推荐(collaborative filtering 用户人口信息(user demographic information),用户 recommendation)[6]、基于知识的推荐(knowledge-- 生成的内容(user generated content)如评论(com- based recommendation)j和混合推荐(hybrid recom- ments).、标签(tags)、微博（如tweets)等，其内容也越 mendation)(8 来愈丰富，其中蕴含的巨大价值也越来越被大家认

第1期 黄立威，等：社交媒体中的信息推荐 ·3 识到.通过数据挖掘和信任管理等技术对这些数据 基本结构，在社会化标注系统中，大众分类法形式上 进行分析，可以得到更加准确和详细的用户数据 可以由一个四元组表示，即F=(U,T,R,Y),U、T、R (user profile),其不仅包含用户对特定对象的偏好 分别代表用户、标签和资源的集合，Y是它们之间的 信息，而且包含用户的主题兴趣和用户之间的信任 一个三元关系的集合，即YCU×T×R,其中的每个 关系等，可以将所有的这些用户信息称为增强的用 元素称为标签分配关系(tag assignments)[s1.大众 户数据(enhanced user profile),基于这些数据，往往 分类法的数据一般可以通过2种方式表示：1)用A、 能够产生更加可靠和高质量的推荐.因此在社交媒 A'、A"分别表示user-item、user-tag和tag-item关系的 体中，通过结合传统的个性化的推荐方法，集成社交 邻接矩阵；2)用三维矩阵(third-order tensors)I617] 媒体中新的数据、元数据和清晰的用户关系，产生了 或超图(hypergraphs)[表示，将Y分别用三维矩阵 各种新的推荐技术四 Z=(）∈Rmx1x和三分无向超图G=(V, 由于在社交媒体中可以获得更加多样和丰富的 E),V=UUTUR,E={{u,t,r}I(u,t,r)∈Y}来表 数据，包括标签、用户的社交关系等，促使社交媒体 示.由于传统的推荐方法是基于user-item的二分关 中的推荐模式(recommendation mode)[2]不再单一， 系，通过存在的值来预测缺失的值，而大众分类法的 推荐的内容更加多样，除了包括一般的资源，如视 数据本质上却是一个三元关系，如果在社会化标注 频、新闻等，还包括标签和人的推荐；而且推荐的对 系统中进行推荐，要么将三元关系降维为二元关系， 象也更加多样，不仅仅对单个用户，还可能是一群用 然后采用传统推荐方法进行推荐，这样在维度约减 户，即组推荐(group recommendation).由于人们在 过程中必然会丢失一些信息，要么基于三维矩阵或 现实生活中更容易听取来自于朋友的建议，因此基 超图采用新的方法来进行推荐.目前很多研究者在 于信任的推荐(trust-based recommendation)也非常 这2个方面都做了很多工作，下面将介绍比较重要 重要.此外在推荐过程中时间往往对推荐的效果会 的几类方法. 产生至关重要的影响，这是必须考虑的因素.因此本 1)协同过滤方法：采用传统的协同推荐方法进行 文将重点对目前社交媒体的信息推荐中以上几个重 推荐.Marinho等91先将三维空间投影到2个二维空 要研究领域进行介绍。 间，即用户标签空间和用户资源空间，然后使用传统 2.1基于社会化标注的推荐 的协同过滤推荐方法，进行标签推荐和资源推荐 最近10年，社会化标注(social tagging)的出现， Tso-Sutter等[2o]同样是将三维空间降维到用户资源 已经在产业界得到了广泛应用，出现了Delicious、 空间，但他们通过将标签作为伪用户和伪资源得到2 Flickr、Youtube、LibraryThing、Last.fm、Connotea、Ci- 个不同的用户资源矩阵，然后采用传统的协同过滤 teUlike、Technorati等众多新的应用与体验.由于允 推荐方法进行资源推荐，得到了更好的结果 许任意用户可以对感兴趣的网络资源进行基于自身 2)基于排序的推荐：这种方法思想来源于web 理解的无约束标注，并且所有用户的标注都互为可 排序，这种方法的共同点是利用大众分类法数据结 见，这种开放、共享的模式以及反映用户真实的理解 构的频谱特征来对推荐的资源等进行打分，依据分 和观点的标注为信息资源组织、检索和共享带来了 数高低进行推荐.该方法主要包括基于三维矩阵的 种全新理念，它是一种大众群体智慧的体现.标签 因式分解进行排序的方法[16,21]以及Hotho等2] 与以往推荐系统所能获得的信息的本质区别是：标 基于pagerank的思想提出的folkrank算法.基于排 签作为用户所选择的关键词，体现了用户对资源的 序的推荐方法是对标签进行排序，其核心思想是重 理解，并且成为了用户之间联系和交流的纽带.可以 要的标签由重要的用户提供， 说，标签既表达了信息资源的主要特征，同时又涵盖 3)基于内容的推荐：前面2类方法都没有考虑 了用户与资源之间、以及用户与用户之间的关系，兼 推荐对象的内容，实际上推荐的内容在推荐过程中 具内容与关联的特征.将标签作为推荐技术的数据 也可能发挥很大的作用，很多研究者研究了基于文 来源，便有可能开发出同时具备内容过滤和协同过 本a1、图片4]和音频25]内容的推荐方法.lg 滤优越性的推荐技术，形成基于社会化标注的推 等2对基于不同内容的标签推荐方法进行了比较。 荐34) 事实上，虽然目前对基于社会化标注的推荐研 大众分类法(folksonomy)是社会化标注系统的 究已经取得了不错的成果，但仍然还面临很大的挑

智能系统学报 第7卷 战，如标签本身存在语义上的一词多意、同义、模糊 据用户的动态信息提供动态的推荐，为组提供连续 性等，噪声标签问题，如何提供实时推荐的问题，以 推荐；如何处理信息中的不确定性，为组推荐提供更 及如何结合社会网络进行推荐的问题等，这些问题 合理的解释：如何在推荐中加入协商机制等 的存在也为研究者提供了新的方向， 2.3基于信任的推荐 2.2组推荐 在传统的推荐中，往往并没有考虑用户的社交 目前大部分的推荐系统都是面向单个用户，而面 关系，而事实上关联的用户之间更可能有相同或相 向一组用户的推荐还较少.但事实上很多时候可能必 似的兴趣，另外用户也容易被自己信任的朋友所影 须面对一组用户进行推荐，例如，向一群朋友推荐旅行 响，更容易接受朋友的推荐，因此当考虑用户社交关 安排，向一个家庭推荐电视节目，向一群同事推荐出差 系进行推荐时会更加准确.有研究也已经指出当面 时的住宿地点等.目前也有一些组推荐系统，如MU 对来自朋友的推荐和来自相似但陌生的用户的推荐 SICFX2]、POLYLENS],INTRIGUE]等. 时，用户更倾向于接受来自朋友的推荐].目前有 组推荐的目的是为每个要推荐的对象给出一个 很多比较典型的包含用户信任关系的社交媒体，如 打分，打分必须反映组内各成员的兴趣和偏好，然后 Epinions.com 根据打分进行组推荐.组推荐区别于个人推荐的最 基于信任的推荐与传统的推荐技术最大的不同 大不同在于：通常组内各成员对同一对象的感兴趣 在于推荐时考虑了用户之间的信任关系，而这种信 程度是不同的，最后必须针对组内所有成员的偏好 任关系可以用信任网络(trust network)来表示，除了 给出一个一致的推荐.目前对组推荐的研究主要是 考虑用户之间的信任关系，还有很多研究也同时考 通过集成所有单个组成员来产生组推荐，主要包括 虑了用户之间的不信任关系.信任度量和推荐技术 2种方法032]：一种是集成模型(aggregated mod:- 是基于信任的推荐的2个支撑技术[3].信任度量是 ls),这种方法将所有用户的组看成一个虚拟用户， 基于信任网络来度量网络中任意2个用户之间的信 通过集成组内用户的信息得到虚拟用户的信息（包 任关系，通常这种信任关系是有向的，也就是非对称 括偏好信息等)，然后对虚拟用户进行个人的推荐； 的.信任度量涉及到3个关键技术：1)信任模型 另一种是集成预测(aggregated predictions),这种方 (trust model):如何表示用户之间的信任和不信任； 法通过研究单个用户的历史偏好数据，产生单个用 2)信任传播(trust propagation):如何通过网络路径 户对推荐对象的预测分数，然后集成这些分数产生 计算不相邻用户之间信任的传递；3)信任集成：如 组推荐.由于集成预测方法更加灵活]，本文主要 何集成多条路径所传播的信任.本文主要对基于信 介绍这种方法，另外对集成模型的相关研究可以参 任的推荐技术进行介绍，目前已经有很多关于信任 考文献[27,34-35] 度量的研究，具体参考文献[3941]. Masthoff在文献[34]中给出了11种集成策略， 文献[38]根据信任网络中用户之间的信任值 包括主投票(plurality voting)、最小伤害(least miser- 获取的方式，将基于信任的推荐大致分为了2类：具 y)、公平性(fairness)、打分平均值(average)、乘法 有清晰的信任关系(explicit trust)的推荐和含蓄的 (multiplicative)、Borda计数(borda count)、Copeland 信任关系(implicit trust)的推荐.前者的信任值通过 规则(Copeland rule)、赞成投票(approval voting)、最 让用户直接对其朋友进行信任值打分获得：后者的 开心(most pleasure)、不考虑伤害平均(average with- 信任值不需要用户直接对朋友进行信任值打分，而 out misery)、最受尊敬的人(most respected person), 是通过一些其他信息自动计算得来， 还有研究者将个人模型线性组合为一个组模型 1)基于清晰的信任关系的推荐中，集成值得信 (group modeling),文献[35]通过实验分析了各种集 任的用户对目标资源的打分，来给目标用户进行推 成策略的优劣，而事实上这些策略的好坏更多地可 荐，最普遍的方法主要有2种：加权平均和协同过 能决定于实际的应用需求，取决于人们的推荐想实 滤.a)加权平均是通过信任值超过一定阈值的用户 现的目的 对目标资源打分，然后对这些评分进行加权平均，预 组推荐是一个较新的领域，目前仍然存在很多 测得到目标用户对目标资源的打分，依据打分高低 挑战，需要进一步研究，Masthoff在文献[36]中总结 对用户进行推荐，其中方法的关键在于如何度量用 了若干个方向，例如如何解决数据稀疏问题：如何根 户之间的信任值.Golbeck等2j提出的TidalTrust算

第1期 黄立威，等：社交媒体中的信息推荐 ·5 法通过考虑用户之间最短和信任值最高的路径，度 加基本的对象关联关系，通过这2种模型在Netflix 量不相邻用户之间的信任值.b)协同过滤的方法利 的数据中进行实验，得到的结果都比不考虑时间影 用协同过滤机制，将信任值代替相似值，预测得到目 响的情况有了显著提高.Dror等[]利用Koren在文 标用户对目标资源的打分.Massa等4提出的Mole 献[46]中提出的方法进行更细分辨率的时间动力 Tust算法是另一个度量不相邻用户之间信任值的 学建模，在Yhoo音乐的数据集上实验，得到了更好 算法。 的结果.Xiang等[s]分别对用户的长期和短期偏好 2)基于含蓄的信任关系的推荐中，最著名的是 进行建模，将用户某一时刻之前的选择作为长期偏 0'Donovan等在文献[44]提出的算法，从Profile和 好，将用户这一时刻的会话(session)选择作为短期 Item2个方面度量用户之间的信任值，将信任值融 偏好，集成长期和短期偏好形成推荐，实验结果表明 入传统的协同过滤框架中，得到更高的准确度.另外 此方法取得了更高的淮确率 在文献[45]中，Ma等还同时考虑了用户之间的信 另外在推荐过程中，往往还需要考虑是否对用 任关系和传统推荐中的相似关系，将信任网络的邻 户进行重复的推荐，因为重复推荐可能让用户对推 接矩阵和user-item矩阵进行概率矩阵因式分解，然 荐系统失去兴趣.Lathia等9通过对Netflix数据进 后进行集成产生推荐，实验结果表明此方法具有很 行分析，发现目前的CF推荐方法具有较低的多样 高的可扩展性，预测的准确度比当前流行的方法都 性，即在时间上容易产生相同的推荐，他们还提出了 要高 3种不同方法，在没有降低推荐的准确性的前提下， 基于信任的推荐在一定程度上可以缓解传统推 显著提高了多样性 荐中的数据稀疏和冷启动问题，但同时也面临很多 目前关于在推荐的过程中考虑时间因素的研究 其他的挑战，通过直接让用户打分或用户的个人和 还较少，如何更好地在时间上对用户兴趣进行建模， 交互信息建立起始的信任网络，都不能保证得到准 在推荐过程中考虑推荐的时间多样性，避免产生重 确或全面的信任关系，如何更好地建立起始的信任 复的推荐，都是值得研究的问题， 网络是一个重要的问题，而事实上目前还存在的最 大的困难之一是可以获得的数据集太少，不利于研 3总结和展望 究的深人展开3 在互联网迅猛发展的今天，各类信息的日益膨 2.4信息推荐中的时间因素 胀，信息过载问题愈来愈严重，推荐系统被认为是缓 大部分的推荐系统都忽视了时间因素，用户和资 解此难题的最有效的方法之一.然而，现有的推荐算 源的信息会发生变化，新的用户和资源会加人，旧的用 法仍然存在传统推荐方法中的特征提取、冷启动、过 户和资源会退出，尤其是在像Twitter、Facebook这种社 拟合、数据稀疏等问题，需要不断完善和解决.同时 交媒体中，这种变化可以说是实时的，这些都会影响用 随着社交媒体的兴起，用户产生的内容也越来越丰 户兴趣的变化，因此如何建模时间因素的影响来为用 富，必然使得用户获得有用数据的难度也越来越大， 户提供更加准确的推荐成为了一个重要的研究课题. 将推荐系统应用于处理社交媒体中的信息过载，近 本文主要介绍2个时间因素：时间动力学(temporal dy 年来已经成为学术界和工业界的一个研究热点，取 namic)和时间多样性(temporal diversity). 得许多研究成果，同时由于社交媒体具有自身的特 推荐过程中最大的问题是预测用户当前的兴 点，也使得人们面临一些新的挑战，但也为未来的研 趣，而用于挖掘的数据则来源于不同的时间，因此所 究指明了更多的方向： 反映的用户兴趣如何尽量符合当前的事实，这是一 1)可扩展性问题.如何将线下的推荐算法推广 个巨大的挑战.Koren6基于协同过滤的2种方法， 到线上，使其能够处理好这些大量的动态数据， 在因子模型中建模用户偏差(user biases)、对象偏 2)用户隐私的保护.大量的用户数据被获取， 差(Item biases)和用户头趣(User preferences)的时 可能让用户担心隐私问题，必须确保用户的数据不 间变化，目的是从数据中提取一些影响用户偏好的 会被恶意用户利用 长期因素，在邻域模型中也建模了用户偏差(user 3)推荐的多样性和奇异性(serendipity).用户 biases)、对象偏差(Item biases)的时间变化，还考虑 往往希望获取更多类型的推荐，而在每次会话中可 了用户打分的时间不同的情况，目的是发现一些更 以获得不同的推荐，同时也希望得到一些意想不到

.6 智能系统学报 第7卷 的推荐。 [6]BREESE J S,HECKERMAN D,KADIE C.Empirical a- 4)跨领域推荐.推荐过程中容易遇到数据稀疏 nalysis of predictive algorithms for collaborative filtering 的问题，通过集成不同领域的数据，可以同时为用户 [C]//Proceedings of the 14th Conference on Uncertainty in 提供更多领域、更加准确的推荐。 Artificial Intelligence.San Francisco,USA,1998:43-52. [7 BURKE R.Knowledge-based recommender systems J]. 5)基于移动计算的推荐.采用移动设备，可以 Encyclopedia of Library and Information Systems,2000,69 更好地感知用户的情境，可以根据用户的位置、时间 (32):180-200. 等情境信息，提供更加个性化的推荐 [8]BALABANOVIC M,SHOHAM Y.Fab:content-based, 社交媒体发展到今天，所能利用的数据是海量 collaborative recommendation[J].Communications of the 的，但目前研究者提出的众多方法中，实际上被应用 ACM,1997,40(3):66-72. 到大型系统发挥作用的却不多，而被应用最多的往 [9]SCHAFER J B,KONSTAN J,RIEDL J.Recommender sys- 往是最简单的技术，诚然这有部分原因是由于算法 tems in e-commerce[C]//Proceedings of the 1st ACM Con- 的可扩展性不够，但事实上更多的原因可能是研究 ference on Electronic Commerce.Denver,USA,1999: 者们仅仅将注意力放在了算法上，而忽视了数据这 158-166. 部分的考虑和研究.目前很少有研究分析过是否推 [10]YEHUDA K,BELL R.Advances in collaborative filtering [M]//RICCI F,ROKACH L,SHAPIRA B.Recommen- 荐中需要用到所有的数据，笔者认为对于一个用户 der Systems Handbook.New York,USA:Springer,2011: 而言，往往关心的是自己所处的小众，可能对于需求 145-186. 极其个性化的单个用户而言，需要的数据只是能够 [11]GUY I,CARMEL D.WWW 2011 tutorial on social rec- 获得的海量数据中的极少的一部分；因此利用刚好 ommender systems[EB/OL].[2012-01-05].http://sys- 足够的数据来进行推荐，也许会为提高各种推荐技 run.haifa.il.ibm.com/hrl/srs2011/index.html. 术的实用性提供一条新的思路 [12]MARINHO L B,NANOPOULOS A,SCHMIDT-THIEME 伴随着这些问题的逐渐解决，推荐系统必将在 L,et al.Social tagging recommender systems[M]//RIC- 社交媒体中发挥更大的作用.笔者将该领域的研究 CI F,ROKACH L,SHAPIRA B.Recommender Systems 进展和趋势进行归纳总结，非常希望能够提供一些 Handbook.New York,USA:Springer,2011:615-644. 有用的信息，以鼓励学者继续在该领域中开拓更多 [13]ZHANG Zike,ZHOU Tao,ZHANG Yicheng.Tag-aware 更深的研究 recommender systems:a state-of-the-art survey[].Jour- nal of Computer Science and Technology,2011,26(5): 参考文献： 767-777. [14]GUY I,ZWERDLING N,RONEN I,et al.Social media [1]ROSA C D,HAVENS JCA,HAWK J,et al.Sharing,priva- recommendation based on people and tags[C]//Proceed- cy and trust in our networked world[R/OL].[2012-01-05]. ings of the 33rd International ACM SIGIR Conference on http://www.oclc.org/reports/sharing/default.htm. Research and Development in Information Retrieval.Gene- [2]LIU Yuchao,ZHANG Haisu,MA Yutao,et al.Collective va,Switzerland,2010:194-201. intelligence and uncertain knowledge representation in cloud [15]DOUGLAS E,LAMERE P,BERTIN-MAHIEUX T,et al. computing[J].China Communications,2011,8(6):58- Automatic generation of social tags for music recommenda- 66 tion[C]//Proceedings of the Twenty-First Annual Confer- [3]RICCI F,ROKACH L,SHAPIRA B.Introduction to rec- ence on Neural Information Processing Systems.Vancou- ommender systems handbook M]//Recommender Systems ver,Canada,2007:241-250. Handbook.New York,USA:Springer,2011:1-35. [16]SYMEONIDIS P.NANOPOULOS A.MANOLOPOULOS [4]ADOMAVICIUS G,TUZHILIN A.Toward the next genera- Y.Tag recommendations based on tensor dimensionality tion of recommender systems:a survey of the state-of-the-art reduction[C]//Proceedings of the 2008 ACM Conference and possible extensions[J].IEEE Transactions on Knowl- on Recommender Systems.Lausanne,Switzerland,2008 edge and Data Engineering,2005,17(6):734-749. 43-50. [5]MOONEY R J,ROY L.Content-based book recommending [17]RENDLE S,MARINHO L B,NANOPOULOS A.et al. using learning for text categorization [C]//Proceedings of Leaming optimal ranking with tensor factorization for tag 5th ACM Conference on Digital Libraries.San Antonio, recommendation[C]//Proceedings of the 15th ACM SIGK- USA,2002:195-204. DD Interational Conference on Knowledge Discovery and

第1期 黄立威，等：社交媒体中的信息推荐 7 Data Mining.Paris,France,2009:727-736. PolyLens:a recommender system for groups of users [18]ZLATIC V,GHOSHAL G,CALDARELLI G.Hypergraph [C]//Proceedings of the European Conference on Com- topological quantities for tagged social networks[].Physi- puter-Supported Cooperative Work.Bonn,Germany, cal Review E:Statistical,Nonlinear,and Soft Matter 2001:199-218. Physics,2009,80(3):036118-036126. [29]ARDISSONO L,GOY A,PETRONE G,et al.Tailoring [19]MARINHO L B,SCHMIDT-THIEME L.Collaborative tag the recommendation of tourist information to heterogeneous recommendations[C]//Proceedings of the 31st Annual user groups M].Berlin,Germany:Springer-Verlag, Conference of the Gesellschaft fur Klassifikation (GfKl). 2002:280-295. Freiburg,Germany,2007:533-540. [30]BALTRUNAS L,MAKCINSKAS T,RICCI F.Group rec- [20]TSO-SUTTER K H L,MARINHO L B,SCHMIDT-THI- ommendations with rank aggregation and collaborative filte- EME L.Tag-aware recommender systems by fusion of col- ring[C]//Proceedings of the 4th ACM Conference on Rec- laborative filtering algorithms C]//Proceedings of the ommender Systems.Barcelona,Spain,2010:119-126. 2008 ACM Symposium on Applied Computing.Fortaleza, [31]CANTADOR I,CASTELLS P.Extracting multilayered Brazil,2008:1995-1999. communities of interest from semantic user profiles:appli- [21]XU Yanfei,ZHANG Liang,LIU Wei.Cubic analysis of cation to group modeling and hybrid recommendations social bookmarking for personalized recommendation[C]/ [J].Computers in Human Behavior,2011,27(4): Frontiers of WWW Research and Development:APWeb 1321-1336. 2006,8th Asia-Pacific Web Conference.Harbin,China, [32]SENOT C,KOSTADINOV D,BOUZID M,et al.Analysis 2006：733-738. of strategies for building group profiles[C]//Proceedings [22]HOTHO A,JASCHKE R,SCHMITZ C,et al.Information of the 18th International Conference on User Modeling, retrieval in folksonomies:search and ranking C//Pro- Adaptation,and Personalization.Big Island,USA,2010: ceedings of the 3rd European Conference on The Semantic 40-51. Web:Research and Applications.Budva,Montenegro, [33 JAMESON A,SMYTH B.Recommendation to groups 2006:411426. [M]//BRUSILOVSKY P,KOBSA A,NEJDL W.The [23]SONG Yang,ZHUANG Ziming,LI Huajing,et al.Real- Adaptive Web:Methods and Strategies of Web Personali- time automatic tag recommendation [C]//Proceedings of zation.Berlin/Heidelberg,Germany:Springer-Verlag, the 31st Annual International ACM SIGIR Conference on 2007:596627. Research and Development in Information Retrieval.Singa- [34]MASTHOFF J.Group modeling:selecting a sequence of pore,2008:515522. television items to suit a group of viewers[J].User Model- [24]ABBASI R,GRZEGORZEK M,STAAB S.Using colors as ing and User-Adapted Interaction,2004,14(1):37-85. tags in folksonomies to improve image classification[C] [35 YU Zhiwen,ZHOU Xingshe,HAO Yanbin,et al.TV Proceedings of the Third International Conference on Se- program recommendation for multiple viewers based on us- mantics and Digital Media Technologies.Koblenz,Germa- er profile merging[J].User Modeling and User-Adapted y,2008:13-34. Interaction,2006,16(1):63-82. [25]CELMA O.Music recommendation and discovery in the [36]MASTHOFF J.Group recommender systems:combining long tail[D].Barcelona,Spain:Universitat Pompeu Fab- individual models M]//RICCI F,ROKACH L.SHAPI- a,2008:4560. RA B.Recommender Systems Handbook.New York, [26]ILLIG J,HOTHO A,JASCHKE R,et al.A comparison USA:Springer,2011:677-702. of content-based tag recommendations in folksonomy sys- [37 SINHA R,SWEARINGEN K.Comparing recommenda- tems[C]//Proceedings of the Intemational Conference on tions made by online systems and friends[C]//Proceed- Knowledge Processing in Practice.Paris,France,2009: ings of the DELOS-NSF Workshop on Personalization and 56-78. Recommender Systems in Digital Libraries.Dublin,Ire- 27]MCCARTHY J,ANAGNOST T.MusicFX:an arbiter of land,2001:34-54. group preferences for computer supported collaborative [38]VICTOR P,DE COCK M,CORNELIS C.Trust and rec- workouts[C]//Proceedings of the ACM Conference on ommendations[M]//RICCI F,ROKACH L,SHAPIRA Computer Supported Cooperative Work.Seattle,USA, B.Recommender Systems Handbook.New York,USA: 1998:363-372 Springer,2011:645-676. [28]O'CONNER M,COSLEY D,KONSTAN J A,et al. [39]ARTZ D,GIL Y.A survey of trust in computer science

8 智能系统学报 第7卷 and the semantic web[J].Journal of Web Semantics, [48]XIANG Liang,YUAN Quan,ZHAO Shiwan,et al.Tem- 2007.5(2).:58-71. poral recommendation on graphs via long-and short-term [40]1COLBECK J.Computing with scial trust M]..London, preference fusion C]//Proceedings of the 16th ACM UK:Springer,2009:259-285. SIGKDD International Conference on Knowledge Discovery [41]]MCEVILY B,TORTORIELLO M.Measuring trust in or- and Data Mining.Washington,DC,USA,2010:723- ganizational research:review and recommendations [J]. 732. Journal of Trust Research,2011,1(1)):23-63. 49 LATHIA N,HAILES S,CAPRA L,et al.Temporal di- 42]GOLBECK J,MANNES A.Using trust and provenance for versity in recommender systems[C]//Proceedings of the ontent filtering on the semantic web[C]//Proceedings of 33rd International ACM SIGIR Conference on Research the Workshop on Models of Trust for the Web.Edinburgh, and Development in Information Retrieval.Geneva,Switz- UK,2006::23-35. erland,2010::210-217. [43]MASSA P.AVESANI P.Trust metrics on controversial us- 作者简介： ers:balancing between tyranny of the majority and echo 黄立威，男，1985年生，博士研究 chambers[J].International Journal on Semantic Web and 生，主要研究方向为社会网络分析、推 Information Systems,2007,3(1):39-64. 荐系统等 [44]]0'DONOVAN J,SMYTH B.Trust in recommender sys- tems[C]]//Proceedings of the 10th International Confer- ence on Intelligent User Interfaces.San Diego,USA, 2005:167-174 [45]]MA Hao,KING I,LYU M R.Learning to recommend 李德毅，男，1944年生，研究员，博 with explicit and implicit social relations[J].ACM Trans- 士生导师，中国工程院院士，国际欧亚 actions on Inelligent Systems and Technology,2011,2 科学院院士，国家和全军信息化专家咨 8③；2946. 询委员会委员，中国人工智能学会理事 46]]KOREN Y.Collborative filtering with temporal dynamics 长，中国电子学会副理事长，中国电子 C]//Proceedings of the 15th ACM SIGKDD International 学会云计算专家委员会主任委员.主要 Conference on Knowledge Discovery and Data Mining.Par- 研究方向为计算机工程、人工智能和指挥自动化.先后获得 is,France,2009:447-456. 国家科技进步奖等奖项17项、国家发明专利7项，曾被授予 [47]DROR G,KOENIGSTEIN N,KOREN Y.Yahoo!Music 国家首届优秀回国留学人员，2005年获得何梁何利奖基金 recommendations:modeling music ratings with temporal 科学与技术进步奖，2006年获得中国人民解放军专业技术重 dynamics and item taxonomy[C]//Proceedings of the Fifth 大贡献奖.发表学术论文百余篇，出版专著5部、英文专著3 ACM Conference on Recommender Systems.Chicago, 部，主编技术丛书7种。 USA,2011:1926 《智能系统学报》成为中文核心期刑 近日，《智能系统学报》编辑部接到北京大学图书馆《中文核心期刊要目总览》2011年版编委会发来的 正式通知，《智能系统学报》入编《中文核心期刊要目总览》（简称中文核心期刊），2011年版（即第六版）之自 动化技术、计算机技术类的核心期刊. 中文核心期刊的评选工作是由北京大学图书馆与北京地区十几所高校图书馆、中国科学院国家科学图 书馆、中国社会科学院文献信息中心、中国人民大学书报资料中心、中国学术期刊电子杂志社等单位共同参 与研究，依据文献计量学的原理和方法，采用了被引量、影响因子、基金论文比等9项评价指标，经研究人员 对相关文献的检索、统计和分析，以及学科专家评审，最终认定入编期刊.参与评审的学科专家达8200多位， 涉及期刊14400余种，共评选出1982种核心期刊. 《智能系统学报》此次入选中文核心期刊，这是对该刊学术质量和学术影响力的充分认可，也是该刊实 施期刊品牌建设取得的重大突破，对期刊高水平的发展和知名度的提升有着积极的推动作用

42] GOLBECK J,MANNES A. Using trust and provenance for ontent filtering on the semantic web[ C]//Proceedings of the Workshop on Models of Trust for the Web. Edinburgh, UK,2006: 23-35. 第7卷 李德毅,男,1944年生,研究员,博 士生导师,中国工程院院士,国际欧亚 科学院院士,国家和全军信息化专家咨 询委员会委员,中国人工智能学会理事 长,中国电子学会副理事长,中国电子 学会云计算专家委员会主任委员.主要 研究方向为计算机工程、人工智能和指挥自动化.先后获得 国家科技进步奖等奖项17项、国家发明专利7项,曾被授予 [49] LATHIA N,HAILES S,CAPRA L,et al. Temporal di￾versity in recommender systems[ C] 国家首届优秀回国留学人员，2005年获得何梁何利奖基金 //Proceedings of the 33rd International ACM SIGIR Conference on Research and Development in Information Retrieval. Geneva,Switz￾erland,2010: 210-217. [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. 近日,《智能系统学报》编辑部接到北京大学图书馆《中文核心期刊要目总览》2011年版编委会发来的 正式通知,《智能系统学报》入编《中文核心期刊要目总览》(简称中文核心期刊) 2011年版(即第六版) 之自 动化技术、计算机技术类的核心期刊 [40] COLBECK J. Computing with scial trust [ M] . London, UK: Springer,2009: 259-285 黄立威,男,1985年生,博士研究 生,主要研究方向为社会网络分析、推 荐系统等. and the semantic web[J]. Journal of Web Semantics, 2007,5(2) : 58-71. [43] 作者简介: 大贡献奖.发表学术论文百余篇,出版专著5部、英文专著3 部,主编技术丛书7种. MASSA P,AVESANI P. Trust metrics on controversial us￾ers: balancing between tyranny of the majority and echo chambers[J] . International Journal on Semantic Web and Information Systems,2007,3(1) :39-64. [48] XIANG Liang,YUAN Quan,ZHAO Shiwan,et al. Tem￾poral 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. [41] MCEVILY B,TORTORIELLO M. Measuring trust in or￾ganizational research: review and recommendations [J]. Journal of Trust Research,2011,1(1) : 23-63. 《智能系统学报》此次入选中文核心期刊,这是对该刊学术质量和学术影响力的充分认可,也是该刊实 施期刊品牌建设取得的重大突破,对期刊高水平的发展和知名度的提升有着积极的推动作用. 8 · 智 能 系 统 学 报 [45] MA Hao,KING I,LYU M R. Learning to recommend with explicit and implicit social relations[J] . ACM Trans￾actions on Inelligent Systems and Technology,2011,2 (3) : 2946. [44] 0'DONOVAN J,SMYTH B. Trust in recommender sys￾tems[ C] //Proceedings of the 10th International Confer￾ence on Intelligent User Interfaces. San Diego,USA, 2005: 167-174. [46] KOREN Y. Collborative filtering with temporal dynamics C ] //Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Par￾is,France,2009: 447-456. 《智能系统学报》成为中文核心期刊 中文核心期刊的评选工作是由北京大学图书馆与北京地区十几所高校图书馆、中国科学院国家科学图 书馆、中国社会科学院文献信息中心、中国人民大学书报资料中心、中国学术期刊电子杂志社等单位共同参 与研究,依据文献计量学的原理和方法,采用了被引量、影响因子、基金论文比等9项评价指标,经研究人员 对相关文献的检索、统计和分析,以及学科专家评审,最终认定入编期刊.参与评审的学科专家达8200多位, 涉及期刊14400余种,共评选出1982种核心期刊. 科学与技术进步奖,2006年获得中国人民解放军专业技术重