王扶東　楊宏一　薛　冰

（東華大學(xué)旭日工商管理學(xué)院，上海200051）

·信息資源開(kāi)發(fā)與利用·

基于隱性社會(huì)網(wǎng)絡(luò)社團(tuán)劃分的推薦方法研究

王扶東楊宏一薛冰

（東華大學(xué)旭日工商管理學(xué)院，上海200051）

結(jié)合社會(huì)網(wǎng)絡(luò)分析的推薦方法研究已成為熱點(diǎn)。電子商務(wù)中用戶的動(dòng)態(tài)行為異常豐富，隱含了用戶的關(guān)聯(lián)關(guān)系 ，利用這些信息進(jìn)行商品推薦是個(gè)新研究思路。分析電子商務(wù)系統(tǒng)中用戶動(dòng)態(tài)行為關(guān)聯(lián)關(guān)系及用戶間明確好友關(guān)系形成復(fù)雜隱性社會(huì)網(wǎng)絡(luò)，將社團(tuán)劃分算法應(yīng)用到該網(wǎng)絡(luò)中，則社團(tuán)內(nèi)部用戶聯(lián)系緊密且具有更相似的消費(fèi)偏好 ，據(jù)此設(shè)計(jì)了電子商務(wù)中社團(tuán)內(nèi)部的推薦方法，應(yīng)用 R語(yǔ)言進(jìn)行了算法的驗(yàn)證并與傳統(tǒng)的協(xié)同過(guò)濾算法進(jìn)行比較。實(shí)驗(yàn)表明 ，該推薦算法提高了推薦的質(zhì)量 ，緩解了傳統(tǒng)推薦算法中數(shù)據(jù)稀疏性及冷啟動(dòng)問(wèn)題等。

隱性社會(huì)網(wǎng)絡(luò)；社團(tuán)劃分 ；個(gè)性化推薦

社會(huì)網(wǎng)絡(luò)為電商的推薦提供了一個(gè)協(xié)作的社會(huì)環(huán)境［1］，目前社會(huì)網(wǎng)絡(luò)分析與推薦方法結(jié)合的研究成為研究熱點(diǎn)。Fengkun Liu等［2］通過(guò)實(shí)驗(yàn)表明融合社會(huì)網(wǎng)絡(luò)信息與推薦算法，能有效提高推薦的準(zhǔn)確度。喬秀全等［3］將社會(huì)學(xué)與心理學(xué)中人們之間信任的產(chǎn)生過(guò)程結(jié)合到社會(huì)網(wǎng)絡(luò)服務(wù)中 ，提高了信任度計(jì)算的合理性以及有效性。有學(xué)者從多維社會(huì)網(wǎng)絡(luò)出發(fā)以提高相似性的計(jì)算準(zhǔn)確度。Pasquale De Meo等［4］提出了基于SIS的社會(huì)網(wǎng)絡(luò)來(lái)收集用戶信息。張華青等［5］提出了一種多維加權(quán)社會(huì)網(wǎng)絡(luò)的個(gè)性化推薦算法。Jianming He等［6］利用社會(huì)網(wǎng)絡(luò)中的信息提出了一種推薦系統(tǒng)的新范式。Yu Shian Chiu等［7］提出了一個(gè)Social Networkbased Serendipity推薦系統(tǒng)，這個(gè)系統(tǒng)利用社會(huì)網(wǎng)絡(luò)中用戶和朋友之間的交互信息 ，找出用戶感興趣但自己卻不容易發(fā)現(xiàn)的項(xiàng)目推薦給用戶。由于數(shù)據(jù)的龐大，對(duì)于推薦速度問(wèn)題 ，趙學(xué)臣［8］和楊長(zhǎng)春［9］等學(xué)者通過(guò)研究社會(huì)網(wǎng)絡(luò)中社團(tuán)發(fā)現(xiàn)，提出高效的推薦模型。

結(jié)合社會(huì)網(wǎng)絡(luò)中社團(tuán)劃分的朋友推薦已有很多研究，這為在電商推薦中結(jié)合社團(tuán)劃分思想提供了新的思路。網(wǎng)絡(luò)社團(tuán)也被稱為網(wǎng)絡(luò)模塊、內(nèi)聚組等［10－11］，它被廣泛應(yīng)用于社會(huì)學(xué)、計(jì)算機(jī)圖形學(xué)等領(lǐng)域 ，根據(jù)人們的興趣特點(diǎn)而形成的社團(tuán)在網(wǎng)絡(luò)中呈現(xiàn)出多樣性［12］。復(fù)雜網(wǎng)絡(luò)中的社團(tuán)發(fā)現(xiàn)算法很多，目前有代表性的由WH算法［13］和GN算法［14］等，其中GN算法是一種層次分裂算法，應(yīng)用最廣泛，該算法的基本思路是為網(wǎng)絡(luò)中的每一條邊計(jì)算邊介數(shù)，通過(guò)不斷地從網(wǎng)絡(luò)中移除邊介數(shù)最大的邊，將整個(gè)網(wǎng)絡(luò)分解為不同的社團(tuán)［15］。之后Newman陸續(xù)提出了Newman快速算法［16］和利用矩陣的特征向量來(lái)發(fā)現(xiàn)網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)［17］。

隨著社會(huì)網(wǎng)絡(luò)的發(fā)展，電子商務(wù)中不斷集成社交網(wǎng)絡(luò)服務(wù)平臺(tái)，使得電子商務(wù)中的用戶行為除了簡(jiǎn)單的對(duì)項(xiàng)目評(píng)分外，還有很多復(fù)雜的用戶動(dòng)態(tài)行為，本文通過(guò)對(duì)電子商務(wù)系統(tǒng)中豐富的用戶動(dòng)態(tài)行為信息挖掘分析，構(gòu)建電子商務(wù)系統(tǒng)中的隱性社會(huì)網(wǎng)絡(luò)并進(jìn)行網(wǎng)絡(luò)社團(tuán)的劃分 ，得到聯(lián)系更加緊密且用戶之間具有更高相似消費(fèi)偏好的網(wǎng)絡(luò)社團(tuán)。根據(jù)網(wǎng)絡(luò)社團(tuán)的特性進(jìn)行個(gè)性化商品推薦，將有助于提高推薦的質(zhì)量。

1　隱性社會(huì)網(wǎng)絡(luò)定義

近年來(lái)，隨著電子商務(wù)的發(fā)展，在電子商務(wù)系統(tǒng)中，不同的用戶會(huì)對(duì)同一件商品進(jìn)行瀏覽、購(gòu)買等行為，這些行為將原來(lái)獨(dú)立的用戶聯(lián)系起來(lái)，形成了電子商務(wù)中隱性社會(huì)網(wǎng)絡(luò)的一部分 ，即用戶之間的弱關(guān)系，如圖1。同時(shí)社會(huì)學(xué)和心理學(xué)研究表明，人們更愿意信任自己的好友，采納自己好友的意見(jiàn)。社會(huì)網(wǎng)絡(luò)服務(wù)電子商務(wù)系統(tǒng)中的集成，給我們挖掘并利用真實(shí)的人際關(guān)系提供了有利的條件 ，故本文將電子商務(wù)系統(tǒng)中用戶之間明確的好友關(guān)系形成隱性社會(huì)網(wǎng)絡(luò)的另一部分，即用戶之間的強(qiáng)關(guān)系，如圖2。

圖1　RR電子商務(wù)系統(tǒng)中用戶弱關(guān)聯(lián)關(guān)系圖

圖2　RR電子商務(wù)系統(tǒng)中用戶強(qiáng)關(guān)聯(lián)關(guān)系圖

其中，a，b，c…表示電子商務(wù)系統(tǒng)中用戶之間存在的弱關(guān)聯(lián)關(guān)系類型：a搜索、b瀏覽、c收藏、d購(gòu)買、e評(píng)價(jià)、f參加過(guò)同一活動(dòng)，等等。

最后，由電子商務(wù)系統(tǒng)中用戶間的這些強(qiáng)弱關(guān)系構(gòu)成了電子商務(wù)中的隱性社會(huì)網(wǎng)絡(luò) （The recessive social network）。隱性社會(huì)網(wǎng)絡(luò)中的點(diǎn)和邊分別由電子商務(wù)中的用戶和用戶間強(qiáng)弱關(guān)聯(lián)關(guān)系構(gòu)成。隨著用戶在電子商務(wù)系統(tǒng)中用戶行為數(shù)據(jù)的增多，隱性社會(huì)網(wǎng)絡(luò)規(guī)模越來(lái)越大，網(wǎng)絡(luò)密度也逐漸變大。由于本文構(gòu)建的隱性社會(huì)網(wǎng)絡(luò)與一般社會(huì)網(wǎng)絡(luò)本質(zhì)上具有類似的性質(zhì) ，因此同樣可以進(jìn)行網(wǎng)絡(luò)社團(tuán)的劃分 ，進(jìn)而對(duì)社團(tuán)內(nèi)部進(jìn)行個(gè)性化商品推薦。

2　算法思想與設(shè)計(jì)

2.1算法的基本思想

由于通過(guò)網(wǎng)絡(luò)社團(tuán)劃分得到的各個(gè)社團(tuán)中的用戶之間存在更強(qiáng)的相似性 ，因此社團(tuán)內(nèi)部成員之間的推薦更容易被采納。對(duì)電子商務(wù)系統(tǒng)中存在的稀疏而龐大的隱性社會(huì)網(wǎng)絡(luò)通過(guò)傳統(tǒng)的Newman快速算法［16］進(jìn)行網(wǎng)絡(luò)社團(tuán)的劃分，找到具有相似興趣愛(ài)好的團(tuán)體，當(dāng)有新項(xiàng)目加入進(jìn)來(lái)時(shí)，若有用戶對(duì)其產(chǎn)生行為 ，則搜索網(wǎng)絡(luò)找到該用戶所在社團(tuán)，再將該項(xiàng)目推薦給社團(tuán)內(nèi)其他成員 ，可以緩解傳統(tǒng)推薦算法中存在的基本問(wèn)題。

2.2算法的設(shè)計(jì)

（1）對(duì)隱性社會(huì)網(wǎng)絡(luò)利用Newman快速算法思想進(jìn)行網(wǎng)絡(luò)社團(tuán)劃分 ，并通過(guò)模塊度Q來(lái)度量社團(tuán)劃分的合理性。

Newman定義模塊度為社區(qū)內(nèi)部的總邊數(shù)和網(wǎng)絡(luò)中總邊數(shù)的比例減去1個(gè)期望值，模塊度Q的計(jì)算［16］如公式 （1）：

其中 ，kv表示點(diǎn)v的度；cv表示點(diǎn)v所在的社區(qū)；δ函數(shù)δ（cv，cw）的取值定義為：如果 v和w在一個(gè)社區(qū)，及cv=cw則為1，否則為0。m為網(wǎng)絡(luò)中邊的總數(shù)。

本文采用一個(gè)向上聚集的方法 ，設(shè)定網(wǎng)絡(luò) N個(gè)獨(dú)立的社團(tuán)，即初始化網(wǎng)絡(luò)社團(tuán)為一個(gè)用戶為一個(gè)社區(qū)。用 N維單位矩陣表示網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)，定義兩個(gè)變量，如公式 （2）和 （3）：

其中，公式 （2）表示社區(qū) i和社區(qū)j內(nèi)部邊數(shù)目的和與總邊數(shù)的比例；公式 （3）表示社區(qū) i內(nèi)部的點(diǎn)所關(guān)聯(lián)的所有的邊數(shù)目與總邊數(shù)的比例。則模塊度 Q的計(jì)算簡(jiǎn)化為公式 （4）：

按照Newman的定義，當(dāng) Q近似于0時(shí)，表示該網(wǎng)絡(luò)社團(tuán)劃分效果不佳，相反，若 Q接近于1，則表示該網(wǎng)絡(luò)社團(tuán)劃分最優(yōu)。

（2）根據(jù)網(wǎng)絡(luò)社團(tuán)劃分算法，對(duì)電子商務(wù)系統(tǒng)中用戶間存在的整個(gè)隱性社會(huì)網(wǎng)絡(luò)進(jìn)行劃分，取模塊度 Q值最大時(shí)得到的網(wǎng)絡(luò)社團(tuán)。網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)用二維矩陣來(lái)表示，如圖3。

圖3　RR網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)矩陣

其中矩陣中的行代表網(wǎng)絡(luò)社團(tuán)，列代表用戶 ，其中數(shù)值1表示用戶在相應(yīng)的社區(qū)內(nèi)，相反0表示不在社區(qū)內(nèi)。

（3）當(dāng)系統(tǒng)中某個(gè)用戶 j對(duì)某個(gè)項(xiàng)目i進(jìn)行了某種行為，根據(jù)社團(tuán)內(nèi)部成員之間具有較高相似性的特點(diǎn)，通過(guò)遍歷找到該用戶所在的社團(tuán)，向該社團(tuán)內(nèi)部其他成員推薦該項(xiàng)目。

3　實(shí)驗(yàn)設(shè)計(jì)及驗(yàn)證

3.1實(shí)驗(yàn)數(shù)據(jù)集說(shuō)明

本文的研究對(duì)象是電商中的隱性社會(huì)網(wǎng)絡(luò)，對(duì)該網(wǎng)絡(luò)的分析需要用戶對(duì)項(xiàng)目的行為信息及用戶間關(guān)系信息等進(jìn)行收集，而真實(shí)數(shù)據(jù)涉及商業(yè)機(jī)密，故難以獲取。而由明尼蘇達(dá)大學(xué)的GroupLens研究小組收集的MovieLens網(wǎng)站的電影評(píng)分?jǐn)?shù)據(jù)集是用于驗(yàn)證推薦算法的經(jīng)典數(shù)據(jù)，包括了用戶對(duì)電影作品的評(píng)分信息，評(píng)分值為1～5分，分值越高表示用戶越喜歡該電影，反之，表示用戶不喜歡該電影。該數(shù)據(jù)集本質(zhì)上和電商中用戶對(duì)商品的評(píng)分相似，故本文實(shí)驗(yàn)驗(yàn)證數(shù)據(jù)集中的用戶對(duì)項(xiàng)目行為信息中的評(píng)分信息由MovieLens數(shù)據(jù)集中的用戶對(duì)項(xiàng)目評(píng)分信息獲得具有一定的合理性。又因?yàn)檎鎸?shí)電子商系統(tǒng)中用戶的行為符合隨機(jī)分布的特點(diǎn)，因此用戶其他行為 ，如瀏覽、搜索等數(shù)據(jù)以及用戶間關(guān)系信息由隨機(jī)模擬產(chǎn)生。

3.2實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)

本文采用推薦的準(zhǔn)確率和全面性去衡量推薦算法的效用。

用查全率 （Recall Ratio，RR）衡量推薦的全面性，即針對(duì)某項(xiàng)目v，推薦算法得到的推薦用戶集中實(shí)際購(gòu)買了該項(xiàng)目的用戶數(shù)量 qr與測(cè)試數(shù)據(jù)集中購(gòu)買該項(xiàng)目v的用戶總數(shù)量Qt的比值。計(jì)算公式 （5）：

用查準(zhǔn)率 （Precision Ratio，PR）衡量推薦準(zhǔn)確度，即針對(duì)某項(xiàng)目v，推薦算法得到的最終推薦用戶集中實(shí)際購(gòu)買了該項(xiàng)目的用戶數(shù)量 qr與推薦算法得到的最終推薦用戶集中用戶總數(shù)量Qr的比值。計(jì)算公式如 （6）：

其中查全率和查準(zhǔn)率值越大 ，表示本文的推薦算法具有越好的推薦效果。

3.3實(shí)驗(yàn)方案

本文將實(shí)驗(yàn)數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集兩部分 ，訓(xùn)練集用來(lái)訓(xùn)練模型，測(cè)試集用來(lái)評(píng)估模型。為了驗(yàn)證算法的推薦效果，本文在原始實(shí)驗(yàn)數(shù)據(jù)集中隨機(jī)選取5組訓(xùn)練集和測(cè)試集，并在每組數(shù)據(jù)集上進(jìn)行5次實(shí)驗(yàn)，最后取平均值作為實(shí)驗(yàn)的最終結(jié)果。

在訓(xùn)練集中，以隱性社會(huì)網(wǎng)路中某用戶 Ui的行為為觸發(fā)點(diǎn)，若用戶Ui對(duì)某項(xiàng)目Ij有瀏覽、收藏等行為信息，通過(guò)對(duì)網(wǎng)絡(luò)社團(tuán)劃分后的隱性社會(huì)網(wǎng)絡(luò)中進(jìn)行寬度優(yōu)先遍歷發(fā)現(xiàn)用戶 Ui所在的網(wǎng)絡(luò)社團(tuán) ，再將項(xiàng)目 Ij推薦給該社團(tuán)內(nèi)的其他所有用戶。最后通過(guò)與測(cè)試數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行查全率與查準(zhǔn)率的計(jì)算 ，來(lái)評(píng)估本文算法的效果。

3.4實(shí)驗(yàn)結(jié)果及分析

使用R語(yǔ)言對(duì)算法進(jìn)行編程實(shí)驗(yàn)，首先對(duì)隱性社會(huì)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)社團(tuán)劃分 ，結(jié)果如表1，再對(duì)模塊度 Q值變化趨勢(shì)進(jìn)行分析，得到變化曲線圖4：

表1　RR模塊度Q值列表

從表1可知，當(dāng)社團(tuán)個(gè)數(shù)為8時(shí)，模塊度 Q取得最大值 ，表明網(wǎng)絡(luò)社團(tuán)劃分效果達(dá)到最優(yōu)。劃分的社團(tuán)如下：

社團(tuán)［1］：1，2，3，4，5，6，7；

社團(tuán)［2］：8，9，10，11，12，13，14，15；

社團(tuán)［3］：16，17，18，19；

社團(tuán)［4］：20，21，22，23，24，25，26，27，28，29，30；

社團(tuán)［5］：31，32，33，34，35，36；

社團(tuán)［6］：37，38，39，40，41，42，43；

社團(tuán)［7］：44，45，46，47，48，49，50，51；

社團(tuán)［8］：52，53，54，55，56，57，58，59。

得到最優(yōu)網(wǎng)絡(luò)社團(tuán)后，對(duì)社團(tuán)內(nèi)成員進(jìn)行推薦 ，并通過(guò)查全率 RR和查準(zhǔn)率PR對(duì)推薦效果進(jìn)行驗(yàn)證。通過(guò)測(cè)試數(shù)據(jù)集對(duì)推薦效果進(jìn)行驗(yàn)證 ，得到查全率和查準(zhǔn)率數(shù)據(jù)如表2所示。

圖4　RR模塊度隨社區(qū)個(gè)數(shù)變化曲線圖

表2　RRRR和PR值

如表2所示，5次實(shí)驗(yàn)的查全率 RR和查準(zhǔn)率PR的平均值分別為：0.74和0.54，評(píng)價(jià)指標(biāo)的值均大于0.5，表明本文的推薦算法有較好的推薦效果。

另外，當(dāng)有一個(gè)新的項(xiàng)目進(jìn)入系統(tǒng)時(shí)，由于缺乏歷史評(píng)價(jià)信息，傳統(tǒng)的協(xié)同過(guò)濾推薦算法無(wú)法對(duì)其進(jìn)行推薦。本文提出的基于隱性社會(huì)網(wǎng)絡(luò)社團(tuán)劃分的推薦方法 ，利用社會(huì)網(wǎng)絡(luò)社團(tuán)劃分算法得到用戶間具有更緊密關(guān)系的網(wǎng)絡(luò)社團(tuán)。并通過(guò)社團(tuán)內(nèi)部用戶行為觸發(fā)產(chǎn)生推薦，大大縮小的推薦的范圍，使得推薦具有針對(duì)性，從而緩解了冷啟動(dòng)問(wèn)題并提高了推薦的準(zhǔn)確度。

3.5與傳統(tǒng)協(xié)同過(guò)濾算法比較

推薦系統(tǒng)的主要目的就是對(duì)用戶未來(lái)的喜好進(jìn)行預(yù)測(cè)，從而進(jìn)行精準(zhǔn)的推薦。因此推薦的準(zhǔn)確度是衡量一個(gè)推薦算法性能好壞的重要方面。

對(duì)于推薦準(zhǔn)確度的評(píng)價(jià)采用平均絕對(duì)偏差 （Mean Absolute Error，MAE），通過(guò)計(jì)算目標(biāo)用戶的預(yù)測(cè)評(píng)分與實(shí)際評(píng)分間的偏差來(lái)衡量預(yù)測(cè)的準(zhǔn)確性，MAE的值越小，預(yù)測(cè)評(píng)分與實(shí)際評(píng)分的偏差越小，推薦的準(zhǔn)確度也就越高。MAE定義如下：

其中， 是用戶 u對(duì)項(xiàng)目i的真實(shí)評(píng)分； 是用戶 u對(duì)項(xiàng)目i的預(yù)測(cè)評(píng)分； 為實(shí)驗(yàn)數(shù)據(jù)中的測(cè)試集。

應(yīng)用相關(guān)相似性計(jì)算方法［18］計(jì)算出用戶之間的相似度，記為Sim（u，v）。

其中，Sim（u，v）代表用戶 u和用戶v之間的相似性；iu，v代表用戶u和用戶v共同評(píng)過(guò)分的項(xiàng)目集合；Ru，i代表用戶u對(duì)項(xiàng)目i的評(píng)分；ˉRu表示用戶u的平均評(píng)分。

根據(jù)用戶間相似度對(duì)目標(biāo)用戶未評(píng)分的項(xiàng)目進(jìn)行評(píng)分預(yù)測(cè) ，預(yù)測(cè)評(píng)分的計(jì)算［19］公式如下 ，得到用戶——項(xiàng)目預(yù)測(cè)評(píng)分矩陣，采用上述的數(shù)據(jù)集產(chǎn)生推薦并與本文中的算法 ，運(yùn)用R語(yǔ)言進(jìn)行5次實(shí)驗(yàn)對(duì)比比較，結(jié)果如圖5：

其中 ，這里的ˉRu，ˉRv分別代表用戶u和用戶v在自己所有評(píng)分項(xiàng)目上的平均評(píng)分；N（u）代表用戶 u的最近鄰居集。

通過(guò)將本文推薦算法與傳統(tǒng)的協(xié)同過(guò)濾推薦算法比較，驗(yàn)證本文推薦算法的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，本文提出推薦算法比傳統(tǒng)的協(xié)同過(guò)濾算法具有更高的推薦準(zhǔn)確度，并在一定程度上緩解了傳統(tǒng)協(xié)同過(guò)濾推薦算法中的數(shù)據(jù)稀疏性問(wèn)題。

4　結(jié)束語(yǔ)

基于 “通過(guò)網(wǎng)絡(luò)社團(tuán)劃分得到的各個(gè)社團(tuán)中的用戶之間存在更強(qiáng)的相似性，因此社團(tuán)內(nèi)部成員之間的推薦更容易被采納”的思想，本文利用網(wǎng)絡(luò)社團(tuán)劃分的方法對(duì)電子商務(wù)系統(tǒng)中隱性社會(huì)網(wǎng)絡(luò)進(jìn)行劃分 ，并提出了基于隱性社會(huì)網(wǎng)絡(luò)社團(tuán)劃分的個(gè)性化商品推薦方法。在模型驗(yàn)證時(shí)使用MovieLens數(shù)據(jù)集借助R語(yǔ)言對(duì)算法進(jìn)行了有效性驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，本文提出的基于隱性社會(huì)網(wǎng)絡(luò)社團(tuán)劃分的個(gè)性化商品推薦方法，對(duì)推薦的質(zhì)量的提高有一定的輔助作用。

圖5　RR文本算法與傳統(tǒng)協(xié)同過(guò)濾算法的對(duì)比

通過(guò)一定的社會(huì)網(wǎng)絡(luò)分析方法 ，對(duì)隱性社會(huì)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)社團(tuán)劃分，可以得到聯(lián)系更加緊密的網(wǎng)絡(luò)社團(tuán)，而劃分后的網(wǎng)絡(luò)社團(tuán)內(nèi)部的用戶之間具有更加相似的消費(fèi)偏好，以及更強(qiáng)的信任度。在今后的工作中，可以通過(guò)一定的方法對(duì)網(wǎng)絡(luò)中用戶的消費(fèi)偏好進(jìn)行分析，構(gòu)建消費(fèi)偏好模型 ，根據(jù)該模型結(jié)合傳統(tǒng)的推薦算法進(jìn)行商品推薦，將更加符合用戶的需求，達(dá)到更加高效的個(gè)性化商品推薦。

［1］R.Zheng，F(xiàn).Provost，A.Ghose.Social Network Collaborative Filtering：Preliminary Results［A］.In proceedings of the 6th Workshop on e－Business，2007：47－55.

［2］Fengkun Liu，Hong Joo Lee.Use of social network information to enhance collaborative filtering performance［J］.Expert Systemswith Applications 2010，37：4772－4778.

［3］喬秀全 ，楊春 ，李曉峰 ，等.社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計(jì)算方法 ［J］.計(jì)算機(jī)學(xué)報(bào) ，2011，34（12）：2403－2413.

［4］Pasquale De Meo，Antonino Nocera，Giorgio Terracina，Domenico Ursino.Recommendation of similar users，resources and social networks in a Social Internetworking Scenario［J］.Information Sciences 2011，181：1285－1305.

［5］張華青 ，王紅 ，滕兆明 ，等.多維加權(quán)社會(huì)網(wǎng)絡(luò)中的個(gè)性化推薦算法 ［J］.計(jì)算機(jī)應(yīng)用 ，2011，9（31）：2408－2428.

［6］Jianming He，Wesley W.Chu.A Social Network－Based Recommender System（SNRS）［J］.Annals of Information Systems，2010，（12）：47－74.

［7］YuShian Chiu，KueiHong Lin，JiaSin Chen.A Social Networkbased Serendipity Recommender System［J］.International Symposium on Intelligent Signal Processing and Communication Systems（ISPACS），2011，（12）：7－9.

［8］趙學(xué)臣 .在線社會(huì)網(wǎng)絡(luò)挖掘及個(gè)性化推薦研究 ［D］.濟(jì)南 ：山東師范大學(xué)，2012.

［9］楊長(zhǎng)春，孫婧 .一種新的基于用戶群體關(guān)系挖掘的隨機(jī)漫游社會(huì)推薦模型 ［J］.小型微型計(jì)算機(jī)系統(tǒng) ，2012，33（3）：65－70.

［10］劉軍.社會(huì)網(wǎng)絡(luò)分析導(dǎo)論［M］.北京：社會(huì)科學(xué)出版社，2004：12－30.

［11］Fu F，Liu L H，Wang L.Empirical analysis of online social networks in the age ofweb2.0［J］.Physica A：StatisticalMechanies and its Applications，2008，387（2）：675－684.

［12］Ganley D，Lampe C.The ties thatbind：Socialnetwork principles in online communities［J］.Decision Support Systems，2009，47（3）：266－274.

［13］Wu F，Huberman B A.Finding communities in linear time：a physics approach［J］.The European Physical Journal B－Condensed Matter and Complex Systems，2004，38（2）：331－338.

［14］Newman M E J.Analysisofweighted networks［J］.Physical Review E，2004，70（5）：056131.

［15］Newman M E J，Girvan M.Finding and evaluating community structure in networks［J］.Physical review E，2004，69（2）：026113.

［16］Newman M E J.Fast algorithm for detecting community structure in networks［J］.Physic Rev E，2004，69（62）：066133.

［17］Newman M E J.Finding community structure in networks using the eigenvectors of matrices［J］.Physical Review E，2006，74（3）：036104.

［18］Resnick P，Iacovou N，Suchak M，et al.Grouplens：An open architecture for collaborative filtering of netnews［C］∥Proceedings of the 1994 ACM conference on Computer supported cooperative work.. ［S.l.］：［s.n.］，1994：175－186.

［19］Paolo Buono，Maria Francesca Costabile，Stefano Guida.Integrating User Data and Collaborative Filtering in aWeb Recommendation System ［C］.Revised papers from the international Workshops OHS－7，SC －3，and AH－3 on Hypermedia：Openness，Structural Awareness，and Adaptivity，2001：315－321.

（本文責(zé)任編輯：孫國(guó)雷）

Research on Personalized Recommendation Method Based on Community Partition in the Recessive Social Network

Wang Fudong Yang Hongyi Xue Bing
（College of Business Administration，Donghua University，Shanghai200051，China）

Recommended method combined with social network analysis has become a hot spot.The dynamic behavior of users is unusually rich in e－commerce implied the user's relationship andwith the useof the information for recommendation is a new research idea.According to this can construct a complex recessive social network by the user dynamic behavior relationship and clear relationship between users of the e－commerce and using community partition algorithm on it，the internal users are linked closely and havemore similar consumption preference，and design a recommendedmethod based on community partition. Using R language for the validation of the proposed algorithm and comparisonwith the traditional collaborative filtering algorithm. Experiments show that the recommendation algorithm improves the quality of the recommendation and alleviates the data sparseness and cold start problem in traditional recommendation algorithm.

recessive social network；community partition；personalized recommendation

王扶東 （1974－），女，副教授，碩士生導(dǎo)師，研究方向 ：商業(yè)智能與電子商務(wù) ，發(fā)表論文10余篇。

10.3969/j.issn.1008－0821.2015.05.009

TP39

A

1008－0821（2015）05－0049－05

2015－01－18

中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助 （項(xiàng)目編號(hào)：14D110801）。