·268. 智能系统学报 第9卷 基于用户社群的推荐 社会媒体资源推荐策略 基于媒体内容的推荐 多模态的用户兴趣内容分析 基于多种因素的推荐 面向用户的多层次资源推荐 社会媒体用户关系分析 社会媒体推荐的支撑技术 社会媒体多模态信息挖掘 基于社会关系的协同过滤 多模态资源相似性度量 图2社会媒体资源推荐的特点与相关工作 Fig.2 Characteristics and related work of social media resources recommendation 在基于用户社群或社会关系的推荐方面，Pavli-- 荐，基于内容的推荐均是一个重要推荐技术。不同 ds等6基于用户个人信息和朋友信息等社交媒体信 的是，社会媒体中的内容已呈现多模态的信息表现 息推断用户的兴趣、用户朋友的兴趣以及朋友的亲密 形式，因此，用户的访问记录信息将由多模态的信息 度，找到推荐礼物的重要时机，进行礼物推荐；Popes- 构成，推荐的内容也将是多模态、甚至是跨媒体（即 cu等)把个性化旅游推荐视为协同过滤问题，挖掘 基于一种媒体形式的访问历史推荐其他媒体形式的 在网络上用户的旅行数据、记录数据，并利用这些数 资源)的。 据构建一个用户-用户的相似度矩阵，为一个想去某 在基于媒体内容的推荐中，Zang等B]、Bu 地旅游的用户推荐景点：Schirru]基于用户在Web2. 等[]结合多种类型的社会媒体信息以及音乐原声 0资源分享平台上与其同事交换的感兴趣话题的内 信号的多资源媒体信息，用超图对社会媒体信息高 容，建立一个基于话题的推荐系统，利用话题追踪检 阶关系建模，利用各种多媒体信息数据以及基于音 测算法，检测用户短期或长期感兴趣话题，提供基于 乐原声的内容进行音乐推荐：Tan等[s]采用图模型 话题的推荐，满足用户的需求和偏好：贾大文等]把 对评论间的关系以及评论与原始新闻间的关系进行 用户对具体媒体对象的偏好转化成用户对媒体对象 建模，捕捉用户关注点的动态变化，抽取话题模式， 所蕴含兴趣元素的偏好，将具有相同偏好的用户聚合 综合考虑读者和作者的观点，进行相关信息推荐： 成“共同偏好组”，基于共同偏好组进行社会媒体的共 Hu等[16]将在线社交网站OSNs和视频分享网站 享与推荐：Koohborfardhaghighi等io]在朋友网中向处 VSSes的度量标准结合起来，提出了一种基于相似 在转接点位置和具有高特征向量中心值的用户实施 度的方法来为Youtube这样的视频分享网站VSSes 推荐，认为前者具有重要的信息，后者与其他用户具 增加推荐视频列表：Ma等将用户在社会媒体中 有更多的联系或者被重要的用户所联系：i等)通 发表和查看的数据视为社会流，提出了一个新的在 过发现面向用户和面向社群的话题来捕获用户兴趣 线协同过滤框架和流排名矩阵分解，通过分析社会 和社群焦点，从而推荐有影响力的用户和相关于话题 流来进行个性化主题推荐及发现：Ernesto等[18]结 的社群；Zhao等[)]在Twitte风格的社会网络中根据 合用户评论、i等[]使用用户产生的评论作为数据 关注与被关注关系发现社群，并基于社群进行粉丝推 源，建模评论之间的关系，进行新闻推荐。 荐，从而改进基于内容推荐的低准确率和协同过滤推 与上述工作相似的工作还有很多，这里不多赘 荐的稀疏性问题。 述。就社会媒体资源推荐而言，除了新闻、评论等文 在此领域，与上述工作相似的还有很多，这里不 本形式的社会媒体资源外，其他媒体形式的推荐主 多赘述。总体上，这些工作的主要特点是基于用户的 要还是如传统多媒体推荐方法那样以资源的原始粒 社会关系及由于共同话题、关注点等原因形成的社 度作为推荐单元，而缺少更小或更大粒度、特别是综 群，发现当前用户的兴趣偏好，从而进行推荐。推荐 合资源的推荐。 的内容包括社会媒体的原始信息[68)，也包括用户的 2.3基于多种因素的推荐 相关信息，如社群9，、朋友[0，等。 除前述基于用户关系和资源内容分析的推荐 2.2基于媒体内容的推荐 外，还有一些基于社会媒体多因素分析的推荐。 无论是传统的推荐系统还是社会媒体资源的推 在基于多因素的推荐中，Messenger等2o)基于图 ２ 社会媒体资源推荐的特点与相关工作 Ｆｉｇ．２ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｒｅｌａｔｅｄ ｗｏｒｋ ｏｆ ｓｏｃｉａｌ ｍｅｄｉａ ｒｅｓｏｕｒｃｅｓ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ 在基于用户社群或社会关系的推荐方面，Ｐａｖｌｉ⁃ ｄｉｓ 等［６］基于用户个人信息和朋友信息等社交媒体信 息推断用户的兴趣、用户朋友的兴趣以及朋友的亲密 度，找到推荐礼物的重要时机，进行礼物推荐；Ｐｏｐｅｓ⁃ ｃｕ 等［７］把个性化旅游推荐视为协同过滤问题，挖掘 在网络上用户的旅行数据、记录数据，并利用这些数 据构建一个用户－用户的相似度矩阵，为一个想去某 地旅游的用户推荐景点；Ｓｃｈｉｒｒｕ ［８］基于用户在 Ｗｅｂ２． ０ 资源分享平台上与其同事交换的感兴趣话题的内 容，建立一个基于话题的推荐系统，利用话题追踪检 测算法，检测用户短期或长期感兴趣话题，提供基于 话题的推荐，满足用户的需求和偏好；贾大文等［９］ 把 用户对具体媒体对象的偏好转化成用户对媒体对象 所蕴含兴趣元素的偏好，将具有相同偏好的用户聚合 成“共同偏好组”，基于共同偏好组进行社会媒体的共 享与推荐；Ｋｏｏｈｂｏｒｆａｒｄｈａｇｈｉｇｈｉ 等［１０］在朋友网中向处 在转接点位置和具有高特征向量中心值的用户实施 推荐，认为前者具有重要的信息，后者与其他用户具 有更多的联系或者被重要的用户所联系；Ｌｉ 等［１１］ 通 过发现面向用户和面向社群的话题来捕获用户兴趣 和社群焦点，从而推荐有影响力的用户和相关于话题 的社群；Ｚｈａｏ 等［１２］ 在 Ｔｗｉｔｔｅ 风格的社会网络中根据 关注与被关注关系发现社群，并基于社群进行粉丝推 荐，从而改进基于内容推荐的低准确率和协同过滤推 荐的稀疏性问题。 在此领域，与上述工作相似的还有很多，这里不 多赘述。 总体上，这些工作的主要特点是基于用户的 社会关系及由于共同话题、关注点等原因形成的社 群，发现当前用户的兴趣偏好，从而进行推荐。 推荐 的内容包括社会媒体的原始信息［６ ⁃ ８］ ，也包括用户的 相关信息，如社群［９，１１］ 、朋友［１０，１２］等。 ２．２ 基于媒体内容的推荐 无论是传统的推荐系统还是社会媒体资源的推 荐，基于内容的推荐均是一个重要推荐技术。 不同 的是，社会媒体中的内容已呈现多模态的信息表现 形式，因此，用户的访问记录信息将由多模态的信息 构成，推荐的内容也将是多模态、甚至是跨媒体（即 基于一种媒体形式的访问历史推荐其他媒体形式的 资源）的。 在基于媒体内容的 推 荐 中， Ｚｈａｎｇ 等［１３］ 、 Ｂｕ 等［１４］结合多种类型的社会媒体信息以及音乐原声 信号的多资源媒体信息，用超图对社会媒体信息高 阶关系建模，利用各种多媒体信息数据以及基于音 乐原声的内容进行音乐推荐；Ｔａｎ 等［１５］ 采用图模型 对评论间的关系以及评论与原始新闻间的关系进行 建模，捕捉用户关注点的动态变化，抽取话题模式， 综合考虑读者和作者的观点，进行相关信息推荐； Ｈｕ 等［１６］ 将在线社交网站 ＯＳＮｓ 和视频分享网站 ＶＳＳｅｓ 的度量标准结合起来，提出了一种基于相似 度的方法来为 Ｙｏｕｔｕｂｅ 这样的视频分享网站 ＶＳＳｅｓ 增加推荐视频列表；Ｍａ 等［１７］ 将用户在社会媒体中 发表和查看的数据视为社会流，提出了一个新的在 线协同过滤框架和流排名矩阵分解，通过分析社会 流来进行个性化主题推荐及发现；Ｅｒｎｅｓｔｏ 等［１８］ 结 合用户评论、Ｌｉ 等［１９］使用用户产生的评论作为数据 源，建模评论之间的关系，进行新闻推荐。 与上述工作相似的工作还有很多，这里不多赘 述。 就社会媒体资源推荐而言，除了新闻、评论等文 本形式的社会媒体资源外，其他媒体形式的推荐主 要还是如传统多媒体推荐方法那样以资源的原始粒 度作为推荐单元，而缺少更小或更大粒度、特别是综 合资源的推荐。 ２．３ 基于多种因素的推荐 除前述基于用户关系和资源内容分析的推荐 外，还有一些基于社会媒体多因素分析的推荐。 在基于多因素的推荐中，Ｍｅｓｓｅｎｇｅｒ 等［２０］ 基于 ·２６８· 智 能 系 统 学 报 第 ９ 卷