社会网络环境下的信息推荐研究述评

《社会网络环境下的信息推荐研究述评》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、中国社会科学院  English  Français   窗体顶端窗体底端 ·新闻摘播   重要言论   重要文章   本网首发　   学术动态   社科论坛   报刊文摘   网络文摘   六大建设·热点解读  政策法规解读  国情调研   反腐倡廉  法治社会　 科技动态   读与评    咨询台    网友之声  社科大讲堂·专家访谈   学部委员  名家风采   学林新秀  学术经典库  专家库  　数据库 　港澳台　·马克思主义 哲学 文学 历史学　 考古学  理论经济学  应用经济学  

2、政治学  法学  新闻与传播学  教育学  管理学　·社会学 民族学　宗教学　语言学　　统计学　艺术学　情报与文献学　军事学　国际问题研究　国外社会科学　综合研究当前位置:首页 > 情报与文献学 > 情报学返回首页      正文字号：【小】【中】【大】社会网络环境下的信息推荐研究述评胡吉明/胡昌平/邓胜利·2013-05-2815:24:00　　　来源：《情报资料工作》2013年02期　　　　【作者简介】胡吉明，男，1985年生，武汉大学信息资源研究中心讲师，师资博士后，湖北　430072；胡昌平

3、，男，1945年生，武汉大学信息资源研究中心教授，博士生导师，湖北　430072；邓胜利，男，1979年生，武汉大学信息资源研究中心副教授，湖北　430072。　　【内容提要】文章针对国内外学者在信息推荐领域的研究工作进行了述评，指出当前研究主要围绕传统推荐的社会化改进、关系网络、社会化标注、信任关系、情境等方面展开。通过归纳和提炼其研究缺陷及问题，提出了相应的解决对策和研究趋势，以期为社会网络环境下的信息推荐研究提供更好的指导和建议。　　【关键词】社会网络/环境信息/推荐述评socializati

4、onnetworkingenvironment/informationrecommendation/review　　交互式理念和技术的广泛应用，为用户构建了接近于现实的虚拟社会，形成了以用户关系为核心的社会网络环境，传统的信息推荐方式已不再适应新的服务要求。信息推荐服务作为服务中满足用户个性化需求的基础服务，其服务方式和手段的变革与改进成为一项重要的研究课题。　　围绕社会网络环境下的推荐实现（称之为社会化推荐）问题，国内外研究机构和学者展开了一系列研究，取得了重要的理论和应用成果，推进了“以用户及关

5、联关系为中心”[1]的信息获取、处理和传播乃至知识创新等服务理论和实践。本文主要从国内外社会化推荐研究的相关论文、专著、报告等出版物入手，系统总结当前社会网络环境下信息推荐的研究现状，并指出其中的研究不足和相应的发展对策。　　1　国外研究进展　　早在1998年，Basu等人就指出社会化推荐服务主要是利用用户的社会化行为和用户最近邻居关系进行信息推荐的一种方式[2]。近10年来，国外学者大多从社会网络（网络结构、关系网络、信任关系等）、社会标签（标注、书签等）、社会化行为（分享、评论等）等角度出发，展

6、开社会网络环境下的信息推荐研究，发文量和引文量的增长速度都较快。　　1.1　传统推荐瓶颈与用户关系的作用机制　　社会网络环境下，用户因社会化需求及交互行为而形成了复杂的关系网络；传统的推荐系统过多地集中于其功能设计，忽略了社会关系在信息推荐中的作用[3]，无法有效解决稀疏性等问题，无法适应用户需求的多重变化，推荐效果较差[4]。　　众多学者试图将“关系”引入信息推荐中，从各个角度分析了用户关系对信息流机制的作用，特别是对用户偏好和决策的变化、信息传播和推荐的作用机制。Konstas等探讨了社会关系网

7、络与协同推荐之间的作用机制，提出将用户社会化标注行为所产生的好友关系嵌入协同推荐系统中，以适应用户动态变化的个性化需求；在last.fm中的实验表明，其效果优于传统的协同过滤方法[5]。Zhao和Xie通过调查分析了用户关系对长期和近期消费决定的影响；指出用户的推荐能够导致较大的偏好变化，特别是对用户做远期消费决策影响更大，关系近的人所产生的推荐影响力并不总是比关系远的人大，而是关系近的人对近期决策影响大，关系远的人对远期影响大[6]。　　1.2　基于关系网络的推荐　　从社会化网络服务（如Faceb

8、ook、OpenSocial）中提取用户需求趋向的相似性、用户的交互行为[7]等社会网络数据，发现和构建用户关系网络和社区群组，对于修正推荐结果、提高准确度[8]具有重要作用。国外学者纷纷将社会网络作为推荐系统的重要数据源[9]。　　Kazienko和Musial提出了一种基于社会化网站的推荐框架，通过分析用户行为和用户关系达到准确推荐的目的[10]。Groh和Ehmig通过实证发现，通过社会关系网络生成的推荐在准确度和性能方面优于传统的协同过滤推荐[11]。Jung