孟璐
摘要：基于用户兴趣偏好是现有社交网络好友推荐中应用最广泛的一种方法，但该方法忽略了用户的网络行为和所处环境对好友推荐的潜在影响。本文综述了基于用户行为和基于地理位置两种好友推荐方法的最新研究，旨在提高好友匹配的准确性。
关键词：好友推荐；用户行为；地理位置
社交网络中的好友推荐一般是通过运用算法和构建模型来计算和预测用户之间的隐藏链接关系，并按照与当前社交圈的亲密度进行降序排列，为社交网络用户推荐他们感兴趣的或可能认识的朋友，并引导他们建立新的好友关系，这表现在社交网络模型中，即建立新的节点连边。
已有的社交网络好友推荐方法为我们提供了多种考量用户关系的思路，其中研究最广泛的是基于用户兴趣偏好的方法，其他还包括基于用户社会关系的方法、基于用户社会影响力的方法、基于好友信任度的方法等。上述方法往往忽略了用户作为社交网络主体的一些网络行为和所处环境可能对好友推荐的结果产生潜在影响。因此，笔者选取了社交网络好友推荐方法中研究较少的两种思路，即基于用户行为和基于地理位置的方法，对国内这两个领域已产生的最新研究进行综述。
近年来，多样化的社交网络衍生出了纷繁复杂的用户在线互动行为，除了传统的浏览、评论、转发、回复外，还增加了点赞、@、评分等。此外，社交网络用户行为具有实时更新不易把控的特点，考量起来有一定难度，而基于用户行为的方法为社交网络好友推荐提供了很好的借鉴。
吴不晓[1]以用户标注行为为本，使用词频-逆向文件频率（TF-IDF）将用户标签以语义相似度聚类成不同的话题，并据此推荐具有相同兴趣爱好的潜在好友的算法——基于用户标注行为的好友推荐算法（FRBT）。李全乐[2]研究了基于用户@行为的好友推荐问题，他使用机器学习排序框架（Learning To Rank），并引入概率图模型思想，将用户@行为的好友推荐问题转化成二分类问题。过云燕[3]借助机器学习方法，研究不同类型的属性对用户行为产生的不同贡献度，并以此为依据对属性进行分类，提出一种基于分类属性的好友推荐算法。
蒋文丽[4]则研究社交网络中不同的社群/团队角色或相同角色下不同的用户行为造成的角色活跃度差异，并通过E-GARGO模型模擬社群拓扑结构中的角色活跃度，提出一种基于角色活跃度的好友推荐方法。李天立[5]和郑佳佳[6]等均将用户行为模式归纳为档案创建、内容创建及关系建立三方面，依据用户和网页的关系构建用户访问模型，并依据用户间的评分计算用户相似性，从而研究热点好友推荐问题。
施少怀[7]把社交网络用户划分为兴趣用户和交际用户两种类型，由此形成的兴趣关系和交际关系则代表了用户的不同倾向。而用户在社交网络中的行为必然会受其好友行为影响，因此他引入行为信任机制，把基于用户行为倾向的相似度模型评估结果在每个用户节点中传播，以此进行好友推荐。
赵钕森[8]深入分析了用户行为与用户兴趣的关系，重点研究目前主要的互联网行为，包括浏览行为、评论行为、评分行为，并以此为出发点，建立情感与评分的回归模型，分析由用户评分高低与其所表达的兴趣爱好程度大小之间的关系，提出了一种模糊兴趣分类方法。同样从移动互联网用户所处的动态情境去思考的还有陈独伊[9]，将用户浏览社交网络实时动态的情境因素纳入用户行为模型，提出一种基于用户情境的三维社交网络推荐模型，并通过基于情境的三维用户项目评分矩阵，预测用户对信息的采纳程度。王立人[10]以微博为例，将微博中四种常见的用户行为——转发、评论、@、参与话题讨论融入主题模型LDA（文档主题生成模型），并通过时间窗把微博文本划分到时间片中，构建了一种融合用户行为和时间窗的动态主题挖掘模型。
与位置服务相融合是社交网络服务未来发展的一大趋势。就目前研究状况来看，大部分好友推荐研究方法忽略了用户兴趣与其位置间的潜在关系。这样的推荐方法更适用于虚拟网络，推荐结果产生的好友关系也多为虚拟关系，在现实世界并没有真正的交集，这将造成用户线上线下的社交活动无法紧密连接，在满足用户的社交现实需求方面存在一定缺陷。
基于用户地理位置的好友推荐方法弥补了上述缺陷。从这个思路出发，朱金奇[11]提出把用户的兴趣和位置结合起来，即将传统的用户兴趣挖掘及相似性匹配算法加入邻居发现的方法，通过地理位置相似度计算剖析近邻关系。田恩菊[12]以用户签到地点历史记录为信息源，提出将矩阵分解挖掘出的用户现有社交关系（隐式因子）与用户地理位置（显式因子）相互补充的思路。
朱荣鑫[13 ]对位置签到型社交网站Foursquare进行研究，发现用户签到的位置范围多为近距离，由此印证用户更倾向于近距离社交。基于此，他进一步挖掘位置与人的关系，提出了位置推荐模型和用户推荐模型——前者采用主题模型，将用户和位置的签到序列与文本聚类LDA中的词与文档相对应，得到主题-位置矩阵和签到-主题矩阵，观察用户签到和位置在矩阵中的分布情况，从而进行位置推荐；后者采用图模型，将用户之间的关系转化为图中边的关系，通过对边的关系进行权重计算来确立好友关系的强弱。
隋雪芹[14]以新浪微博为例，探究了如何通过挖掘用户移动轨迹来进行好友推荐。首先通过贝叶斯分布来监测用户所发微博状态中包含的地名等位置信息，并综合考虑所发微博上下文内容、用户活跃度和用户在城际间的移动时间，最终提出了位置敏感的朋友推荐模型。刘乾[15]结合用户的地理签到历史信息，提出了由地理相似性和用户社交距离共同决定的用户社交位置距离（Social Location）的概念，并以此为基础构建好友推荐模型。
王晨[16]对基于位置的国外社交网络Bright-
kite进行数据采集，通过分析社交网络用户使用地点签到功能的行为习惯，探究用户位置信息对好友拓扑结构的影响。李林[17]在基于位置服务（Location-based Service）的基础上，引入基于位置的社交网络（Location-based Social Networks，简称LBSN）的概念，并针对这个概念提出一种叫作PFRSC的基于用户社交关系和签到行为的朋友推荐算法。同样将LBSN概念运用到好友推荐方式中的还有李媛[18]和刘袁柳[19]，他们认为在LBSN模式下应实现用户不受任何时间和空间的约束，能随时随地通过签到来分享自己的位置或发表带位置的文本或媒体数据。他们还认为，用户的位置信息能有效弥补线上线下社交好友活动的鸿沟，它不应只被看作一个简单的属性。
李朔[20]为了解决前人基于位置的推荐研究中关于数据稀疏及冷启动的问题，结合聚类算法与协同过滤方法二者之长，并综合考虑位置语义等因素，提出一种改进的地点推荐方法。孙晓晨[21]通过计算用户在各个位置兴趣点的位置权重来计算用户的位置相似度和好友相似度，同时应用基于密度聚类的DBSCAN算法达到将各个位置兴趣点聚类为不同的位置兴趣区域块的目标，最后综合用户间的互动亲密度进行好友推荐。
朱煦[22]针对移动互联网提出了一种利用移动设备上下文信息进行朋友推荐的思路——采集用户移动设备中的通信数据，以此计算用户间的通信社交强度，并利用无线通信技术收发信号以感知用户间的位置社交强度，最后利用通信社交强度和位置社交强度构造综合反映用户联络關系的移动社交强度，并根据此思想，利用基于图的推荐算法进行好友推荐。
综上所述，基于用户行为和基于地理位置的社交网络好友推荐方法弥补了以用户兴趣为考察主体的推荐方法的不足的效果值得思考，国内已有研究虽不多，但为进一步深入探讨提供了借鉴。期待好友推荐方法能更加多角度、多覆盖地考察用户关系，为社交网络用户提供更精准的好友推荐结果。※
参考文献：
[1] 吴不晓，肖菁.基于用户标注行为的潜在好友推荐[J].计算机应用，2015，35（6）：1663-1667.
[2] 李全乐.社交网络的@行为用户推荐方法研究[D].北京：北京理工大学，2015.
[3] 过云燕，王宏志，张玮奇.社交网络中基于分类属性的好友推荐[J].计算机工程与应用，2015，51（12）：99-106.
[4] 蒋文丽，汤庸，许玉赢，等.社交网络中角色活跃度的好友推荐[J].小型微型计算机系统，2016，37 （10）：2162-2165.
[5] 李天立.社交网络中好友推荐技术的研究[D].大连：大连海事大学，2014.
[6] 郑佳佳.社交网络中基于图排序的好友推荐机制研究与实现[D].杭州：浙江大学，2011.
[7] 施少怀.一种基于用户倾向的微博好友推荐算法[D].哈尔滨：哈尔滨工业大学，2013.
[8] 赵钕森.基于用户行为的动态推荐系统算法研究及实现[D].成都：电子科技大学，2013.
[9] 陈独伊.基于用户情境的社交网络推荐[D].上海：上海交通大学，2014.
[10] 王立人.基于主题分析和社交圈发现的微博朋友推荐[D].昆明：昆明理工大学，2016.
[11] 朱金奇，张兆年，马春梅，等.基于地理近邻关系的微博系统朋友推荐[J].计算机工程与应用， 2017，53（13）：72-77.
[12] 田恩菊.基于地理位置的朋友推荐研究[D].济南：山东大学.2017.
[13] 朱荣鑫.基于地理位置的社交网络潜在用户和位置推荐模型研究[D].南京：南京邮电大学，2013.
[14] 隋雪芹.基于社会媒体的用户移动轨迹挖掘及其在朋友推荐中的应用研究[D].济南：山东大学，2016.
[15] 刘乾.基于社交网络和地理位置信息的好友推荐方法研究[D].杭州：浙江大学，2013.
[16] 王晨.基于位置的社交网络好友推荐算法研究[D].北京：北京工商大学，2015.
[17] 李林.基于位置的社交网络潜在好友推荐系统研究[D].南宁：广西大学，2016.
[18] 李媛.基于位置的社交网络推荐算法的研究与应用[D].北京：中国科学院大学，2015.
[19] 刘袁柳.面向LBSN的兴趣点和用户推荐方法研究[D].苏州：苏州大学，2015.
[20] 李朔，石宇良.基于位置社交网络中地点聚类推荐方法[J].山东大学学报，2016（3）：44-50.
[21] 孙晓晨，徐雅斌.位置社交网络的潜在好友推荐模型研究[J].电信科学，2014（10）：71-77.
[22] 朱煦.移动互联网中好友推荐机制的研究[D].大连：大连理工大学，2014.
