社會化推薦問題的最終目標同協同過濾一樣，也是對用戶—物品矩陣R中的缺失項進行預測，可利用的信息包括兩類：
1、用戶歷史評分信息R
2、用戶的社交關係信息
社交關係為定義在用戶集上的函式，比如社交網路G=<V,E>，V是用戶集，<u,v>屬於E,表示用戶u和用戶v存在關係，基於社交網路的社交關係可以使用用戶—用戶矩陣T表示，即如果用戶u和用戶v存在關係，那么矩陣元素T(u,v)=1，否則T(u,v)=0.
基本介紹
- 中文名：社會化推薦
- 外文名：Social Recommendation
基本信息,社會化推薦,
基本信息
社交網路中的關係只是社交關係的一種，基於不同套用抽取出來的社交關係也不同。比如在Epinions網站中，用戶不僅對各種物品進行評價，也可以對其他用戶的評價本身進行評分。除此之外，Epinions網站使用信任的概念，用戶可以直接信任或禁止某些用戶，這樣一來，每個用戶都有自己信任的目標用戶，同時又可能被其他用戶信任著，從而形成了一個複雜的信任網路。
雖然社交關係的形式多種多樣，但只要能反映用戶之間的相似度，就具備了提高協同過濾效果的潛力，因為協同過濾的基本假設就是利用相似用戶的喜好進行推薦。社會化推薦就是利用用戶之間的社交關係來提高協同過濾的效果。
社會化推薦
基於記憶的協同過濾算法在計算時需要使用完整的用戶-物品矩陣，其中有兩個基本假設：
1、相似用戶(基於用戶對物品的歷史評分記錄)對於新物品評分也相似。
2、相似物品(基於所得到的用戶歷史評分記錄)得到新用戶的評分也相似。
利用第一種假設的推薦也被稱為基於用戶(user-based)的協同過濾，利用第二種假設的推薦稱為基於物品(item-based)的協同過濾。這兩種假設本質上都是過濾掉不相關的評分信息，利用最相似的用戶-物品評分信息來對r(u,i)進行預測。
基於用戶的協同過濾主要是計算用戶之間的相似度；基於物品的協同過濾主要是計算物品之間的相似度，相似度的計算根據不同的套用場景會選擇不同的計算方法，主要有餘弦相似度、Pearson相關係數等等。
融入社交網路信息的相似性計算，基於用戶的協同過濾通過估計用戶u和v的相似性來進行評分傳遞，利用鄰居用戶的評分來對當前用戶的評分進行平滑。然而在真實環境中，由於大部分用戶的評分數據較少，數據稀疏性問題很嚴重，導致對很多用戶很難進行相似度計算。典型的社交網路信息包含用戶與用戶之間的關聯，一定程度上可以反映用戶之間的相似度或者信任關係。實際上，社會科學研究表明，信任傳播在社交網路中廣泛存在並且同樣存在於基於信任的社會化推薦中，對用戶信任度建模是社會化推薦的一項重要工作。
