人人网推荐系统实践：基于社会化网络的好友推荐

"人网张叶银的演讲主要介绍了社会化推荐算法在人人网的应用实践，涵盖了推荐系统的概念、主流推荐算法、推荐系统评价指标以及基于社会网络的好友推荐策略。" 在人人网这样的社交网络平台上，推荐系统是关键功能之一，它的目标是向用户推荐他们可能感兴趣的内容，如好友、商品、文档或广告。推荐系统有多种实现方式，其中协同过滤是最常见的方法，分为基于用户的(User-based)和基于物品的(Item-based)两种。内容过滤则依赖于用户或物品属性的相关性，而社会网络推荐则利用用户之间的社会关系进行推荐。 推荐系统的效果通常通过多个指标来评估，包括准确度、覆盖率、多样性和新颖性。准确度衡量推荐结果与用户实际兴趣的匹配程度；覆盖率表示推荐系统能覆盖多少物品；多样性关注推荐结果的多样性，避免推荐过于同质化的内容；新颖性则关乎推荐的新鲜感和探索性，鼓励推荐用户未曾接触过的物品。 在人人网中，好友推荐是社会网络推荐的重要组成部分。关键问题在于如何量化用户间的亲密度，这可以通过共同好友数目、个人资料相似程度、用户互动频度和用户的兴趣等因素来确定。二度好友（Friendsoffriends）也是推荐策略的一部分，它考虑了用户的朋友的朋友，以扩大推荐的范围。此外，利用社区检测（CommunityDetection）方法，可以识别出强联系（Strongties）和弱联系（Weakties），进一步优化推荐效果。例如，将用户分组成圈子，可以帮助更好地理解用户群体的特征，并针对性地进行推荐、隐私控制和新鲜事定制。 在处理弱联系时，无监督学习方法如扁平聚类（flatclustering）和层次聚类（hierarchicalclustering）被广泛应用。层次聚类（Hierarchicalagglomerativeclustering）是一种自底向上（bottom-up）的聚类方法，从每个数据点开始，逐步合并最相似的中心点，直到所有点都在一个大聚类中。这种方法可以揭示数据的层次结构，帮助构建更精细的推荐模型。 张叶银在人人网的应用实践中，深入探讨了如何利用社会网络的特性来提升推荐系统的效能，展示了在社交环境中推荐系统设计的复杂性和创新性。