第10章 基于社交关系的推荐 — 通俗讲解

第10章 基于社交关系的推荐 — 通俗讲解

对应教材：刘宏志《推荐系统》第10章（PDF：推荐算法.pdf，目录见 toc.json，PDF 页 175–187 ≈ 书页 164–176）
前置章节：第2章协同过滤、第3章矩阵分解、第8章情境（社交是情境之一）
经典参考：Ma et al. (2008) SoRec/RSTE/SocialMF；Jamali & Ester (2010) SocialMF

章节目录速览

一、先搞懂：为什么需要「社交推荐」？

传统 CF 假设用户独立决策；现实中：

约 85% 的中国用户在一定程度上信任家人/朋友的推荐。

看电影、买书、下馆子——我们常问「你试过什么好的？」。社交推荐 = 用社交关系量化用户间相互影响，模拟真实决策过程。

与第8章：社交信息是情境的一种（第9章 9.3.3 也提到社交+位置融合）。

二、10.1 社交关系数据

2.1 两类社交关系

2.2 社交关系矩阵 (S)

(S = [S_{ij}]_{m \times m})：

• (S_{ij} = 1)：(u_i) 信任/好友 (u_j)
• (S_{ij} = 0)：否则
• 好友式：(S_{ij} = S_{ji})（对称，图 10-1）
• 信任式：一般不对称（图 10-2，行=信任者，列=被信任者）

(S(i) = {u_j \mid S_{ij} = 1})：(u_i) 的社交邻域。

三、10.2 基于邻域的社交化推荐

3.1 10.2.1 社交化 User-CF

核心：用社交信息补充或修正用户相似度 (w_{ij})。

方法一：直接用社交矩阵

$$w_{ij}=S_{ij}$$

简单但噪声大（僵尸粉、超活跃账号）。

方法二：熟悉度（Familiarity）

共同好友占比（杰卡德）：

$$f(u_i,u_j)=\frac{|S(i)\cap S(j)|}{|S(i)\cup S(j)|}$$

方法三：熟悉度 + 兴趣相似度

兴趣相似（行为集合 (R(u)) 的杰卡德）：

$$s(u_i,u_j)=\frac{|R(u_i)\cap R(u_j)|}{|R(u_i)\cup R(u_j)|}$$

综合相似度：

生活理解：是好友（(f) 高）且口味像（(s) 高）的人，推荐权重才大——仅有好友关系不够（父母与子女兴趣可完全不同）。

预测公式（与第2章相同，换 (w_{uv})）

Top-N（隐式）：

$$p(u,i)=\sum _{v\in S(u,K)\cap N(i)}{w}_{uv}{r}_{vi}$$

评分预测：

$$r_{ui}=\frac{{\sum }_v{w}_{uv}{r}_{vi}}{{\sum }_v{w}_{uv}}$$

含用户评分偏差：

$$r_{ui}={\bar{r}}_u+\frac{{\sum }_v{w}_{uv}(r_{vi}-{\bar{r}}_v)}{{\sum }_v{w}_{uv}}$$

3.2 10.2.2 基于图扩散的推荐

图 10-3：用户–物品二部图 + 用户–用户社交边。

• (\alpha > 1)：更信社交
• (\alpha < 1)：更信行为

物质扩散流程（目标用户 (u_1)，图 10-4）：

1. 在 (u_1) 交互过的物品上放资源
2. 物品 → 用户
3. 用户 → 社交邻居 + 所交互物品
4. 迭代至稳定
5. 按物品资源量排序推荐

更新公式：

$$p_j^{t+1}=\sum _{i\in N(j)}\frac{p_i^t{w}_{ij}}{{\sum }_{k\in N(i)}{w}_{ik}}$$

与第2章 2.7 物质扩散一脉相承，只是图里多了社交边。

四、10.3 基于模型的社交化推荐

社交信息作为辅助数据，参与评分矩阵重构/分解。

4.1 10.3.1 潜在社交因子 — SoRec

假设：

1. 社交关系由潜在社交因子 + 潜在用户因子决定
2. 评分矩阵 (R) 与社交矩阵 (S) 共享同一用户隐空间

图 10-5：(R_{ij}) 由 (U_i, V_j) 生成；(S_{ik}) 由 (U_i, Z_k) 生成。

目标函数：

$$L_{SoRec}=\frac{1}{2}\sum _{i,j}{I}_{ij}^R(R_{ij}-g(U_i{V}_j^T){)}^2+\frac{{\lambda }_S}{2}\sum _{i,k}{I}_{ik}^S(S_{ik}-g(U_i{Z}_k^T){)}^2+\text{正则项}$$

• (g)：Sigmoid，把内积映射到 ([0,1])
• 同时拟合评分和社交结构 → 用户向量 (U_i) 更可靠，缓解冷启动

4.2 10.3.2 显式社交关系

（1）RSTE — 信任好友偏好集成

假设：最终决策 = 自己偏好 + 信任好友影响的加权组合。

$${\hat{R}}_{ij}=\alpha U_i{V}_j^T+(1-\alpha )\sum _{k\in S(i)}{S}_{ik}{U}_k{V}_j^T$$

• (\alpha \in [0,1])：多依赖自己 vs 多依赖朋友
• 图 10-6：(R_{ij}^*)（个人）与 (R_{ij}^{**})（社交）加权融合

仅社交预测（矩阵形式）：(\hat{R} = SR)（每行是信任好友评分的加权平均）。

RSTE 损失：

$$L_{RSTE}=\frac{1}{2}\sum _{i,j}{I}_{ij}^R(R_{ij}-g(X_{ij}){)}^2+\text{正则}$$

其中 (X_{ij} = \alpha U_i V_j^T + (1-\alpha)\sum_k S_{ik} U_k V_j^T)。

（2）SocialMF — 用户向量 = 好友向量加权和

$$U_i=\sum _{k\in S(i)}{S}_{ik}{U}_k(S_{ik}\text{ 已归一化})$$

图 10-7：好友 (U_k) 加权汇聚成 (U_i)，再与 (V_j) 预测 (R_{ij})。

$$L_{SocialMF}=\Vert R-U{V}^T{\Vert }^2+{\lambda }_S\Vert U_i-\sum _k{S}_{ik}{U}_k{\Vert }^2+\text{正则}$$

（3）SoReg — 好友向量应相似

正则项：(\sum_{i,k \in S(i)} S_{ik} |U_i - U_k|^2)（好友隐向量靠近，而非 (U_i) 等于加权和）。

五、10.4 基于社会曝光的协同过滤（SERec）

5.1 问题：好友 ≠ 口味相同

前面模型常假设「好友偏好相似」。现实中加好友动机多样（亲戚、同事、营销号）——相似度假设常不成立。

5.2 新视角：社会曝光（Social Exposure）

隐式反馈 (r_{ui} \in {0,1}) 的歧义：

两步过程：

1. 曝光 (\alpha_{ij})：物品是否进入用户视野（受好友行为影响）
2. 行为 (R_{ij})：曝光后是否点击/购买

5.3 SERec 框架（图 10-8）

• (\alpha_{ij} \sim \text{Bernoulli}(\mu_{ij}))
• 若 (\alpha_{ij}=0) → (R_{ij}=0)
• 若 (\alpha_{ij}=1) → (R_{ij} \sim \mathcal{N}(U_i V_j^T, \sigma_R^2))

曝光先验：

$${\mu }_{ij}=e_{ij}+\Phi (S),\Phi (S)=\sum _{f\in S(i)}s\cdot {\mu }_{fj}$$

好友若已曝光/交互某物品 → 提高 (u_i) 对该物品的曝光概率。

训练：(\alpha_{ij}) 不可直接观测 → EM 算法

• E 步：估计 (P_{ij} = E[\alpha_{ij} \mid R_{ij}])
• M 步：更新 (U_i, V_j, \mu_{ij})

六、算法对比

七、与前几章衔接

八、本章小结（背诵版）

1. 动机：用户决策受社交影响；(R + S) 联合建模。
2. 社交数据：信任式（有向）vs 好友式（对称）；矩阵 (S)。
3. 邻域法：熟悉度 + 兴趣相似度 → (w_{ij})；或二部图+社交边扩散。
4. SoRec：(R, S) 共享 (U)，同时分解。
5. RSTE：(\alpha \cdot) 自偏好 + ((1-\alpha)\cdot) 好友偏好。
6. SocialMF：(U_i = \sum S_{ik} U_k)；SoReg：(|U_i-U_k|) 正则。
7. SERec：曝光 (\alpha) + 偏好 (R)；EM 估计；好友推「看见」而非「喜欢」。

九、面试题速记

1. 社交推荐 vs 传统 CF？ 引入 (S)；相似用户可来自社交而非仅行为共现。
2. 信任式 vs 好友式？ 有向 vs 对称；矩阵是否 (S_{ij}=S_{ji})。
3. 熟悉度公式？ 共同好友 / 好友并集（杰卡德 on 社交圈）。
4. RSTE 中 (\alpha) 含义？ 自偏好 vs 社交影响的权重。
5. SocialMF 与 SoReg 区别？ 前者 (U_i) 等于好友加权和；后者好友 (U) 相近。
6. SERec 解决什么？ 0 可能=未曝光；社交提高曝光概率。
7. 图扩散中 (\alpha) 边权？ 用户–用户社交边相对行为边的权重。

十、课后思考（对应习题）

1. 简述社交推荐基本思想与主要假设。
2. 实现邻域社交推荐并验证。
3. 实现潜在社交因子学习模型（如 SoRec 简化版）。
4. 实现显式社交关系模型（如 RSTE）。
5. 简述社会曝光协同过滤思想。
6. 调研社交推荐应用场景与案例。

十一、延伸阅读

• Ma, H. et al. (2008). SoRec: Social Recommendation Using Probabilistic Matrix Factorization. CIKM.
• Jamali, M. & Ester, M. (2010). A Matrix Factorization Technique with Trust Propagation. RecSys.
• 本书 第2章 2.7：图扩散；第3章：PMF / Sigmoid

文档风格与 p23_第8章_基于情境感知的推荐.md 一致。