【转载】推荐系统的十大挑战

挑战一：数据稀疏性问题。

 

如今待处理的推荐系统规模愈来愈大，用户和商品（也包括其余物品，譬如音乐、网页、文献……）数目动辄百千万计，两个用户之间选择的重叠很是少。若是以用户和商品之间已有的选择关系占全部可能存在的选择关系的比例来衡量系统的稀疏性，那么咱们平时研究最多的MovieLens数据集的稀疏度是4.5%，Netflix是1.2%，这些其实都是很是密的数据了，Bibsonomy是0.35%，Delicious是0.046%。想一想淘宝上号称有8亿商品，平均而言一个用户能浏览800件吗，我估计不能，因此稀疏度应该在百万分之一或如下的量级。数据很是稀疏，使得绝大部分基于关联分析的算法（譬如协同过滤）效果都很差。这个问题本质上是没法彻底克服的，为了解决这个问题，也有不少办法，譬如能够经过扩散的算法，从原来的一阶关联（两个用户有多少类似打分或者共同购买的商品）到二阶甚至更高阶的关联（假设关联性或者说类似性自己是能够传播的）[8]，也能够添加一些缺省的打分[9]，从而提升类似性的分辨率。数据规模越大，通常而言越稀疏，如今可以处理稀疏数据的算法被认为是更有前途的（譬如扩散[8]、迭代寻优[10]，转移类似性[11]等等）。

 

[8] Z. Huang, H. Chen, D. Zeng, Applying associative retrieval techniques to alleviate the sparsity problem in collaborative filtering, ACM Transactions on Information Systems 22 (2004) 116-142.

[9] J. S. Breese, D. Heckerman, C. Kadie, Empirical analysis of predictive algorithms for collaborative filtering, in: Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence, 1998, pp. 43-52.

[10] J. Ren, T. Zhou, Y.-C. Zhang, Information filtering via self-consistent refinement, EPL 82 (2008) 58007.

[11] D. Sun, T. Zhou, J.-G. Liu, R.-R. Liu, C.-X. Jia, B.-H. Wang, Information filtering based on transferring similarity, Physical Review E 80 (2009) 017101

 

 

挑战二：冷启动问题。

 

新用户由于罕有能够利用的行为信息，很难给出精确的推荐。反过来，新商品因为被选择次数不多，也难以找到合适的办法推荐给用户。一种办法是利用文本信息进行辅助推荐，或者经过注册以及询问得知一些用户的属性信息，譬如年龄、居住城市、受教育程度、性别、职业等等[12,13]。最近标签系统（tagging systems）的普遍应用提供了解决冷启动问题的可能方案[14]，由于标签既能够看做是商品内容的萃取，同时也反映了用户的个性化喜爱——譬如对《桃姐》这部电影，有的人打上标签“伦理”，有的人打上标签“刘德华”，两我的看的电影同样，可是兴趣点可能不尽相同。固然，利用标签也只能是提升有少许行为的用户的推荐准确性，对于纯粹的冷启动用户，是没有帮助的，由于这些人尚未打过任何标签。有趣的是，最近的研究显示，新用户更容易选择特别流行的商品[15]——这不管如何是一个好消息，说明使用热销榜也能得到不错的结果。冷启动问题还能够经过多维数据的交叉推荐部分解决，其精确度和多样性又远胜于热销榜，这一点咱们在后面会进一步介绍。

[12] A. I. Schein, A. Popescul, L. H. Ungar, D. M. Pennock, Methods and metrics for cold-start recommendations, in: Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, ACM Press, New York, 2002, pp. 253-260.

[13] X. N. Lam, T. Vu, T. D. Le, A. D. Duong, Addressing cold-start problemin recommendation systems, in: Proceedings of the 2nd International Conference on Ubiquitous Information Management and Communication, 2008, pp. 208-211.

[14] Z.-K. Zhang, C. Liu, Y.-C. Zhang, T. Zhou, Solving the cold-start problem in recommender systems with social tags, EPL 92 (2010) 28002.

[15] C.-J. Zhang, A. Zeng, Behavior patterns of online users and the effect on information filtering, Physica A 391 (2012) 1822-1830.

 

 

挑战三：大数据处理与增量计算问题。

 

尽管数据很稀疏，大部分数据都拥有百千万计的用户和商品，所以，如何快速高效处理这些数据成为迫在眉睫的问题，而算法时间和空间的复杂性，尤为是前者，得到了空前重视。一个高效的算法，要么复杂性很低，要么可以很好并行化，要么二者兼具。局部扩散算法在这两个方面都具备明显优点[16]！另一条可能的解决之道，是设计增量算法，也就是说当产生新用户，新商品以及新的链接关系时，算法的结果不须要在整个数据集上从新进行计算，而只须要考虑所增长节点和连边局部的信息，对原有的结果进行微扰，快速获得新结果[17]。通常而言，这种算法随着加入的信息量的增多，其偏差会积累变大，最终每过一段时间仍是须要利用全局数据从新进行计算。

一个特别困难的挑战，是如何设计一种算法，可以保证其偏差不会累积，也就是说其结果与利用所有数据从新计算的结果之间的差别不会单调上升。咱们把这种算法叫作自适应算法，它是增量算法的一个增强版本[18]，其设计要求和难度更高。增量算法已经在业界有了应用，譬如百分点科技推荐引擎中的若干算法都采用了增量技术，使得用户每次新浏览收藏或者购买商品后其推荐列表马上获得更新。固然，该引擎也只是部分算法实现了增量技术，更没有达到全部算法都可以自适应学习的程度，还有很长的路要走。

[16] T. Zhou, J. Ren, M. Medo, Y.-C. Zhang, Bipartite network projection and personal recommendation, Physical Review E 76 (2007) 046115.

[17] B. Sarwar, J. Konstan, J. Riedl, Incremental singular value decomposition algorithms for highly scalable recommender systems, in: International Conference on Computer and Information Science, 2002, pp. 27-28.

[18] C.-H. Jin, J.-G. Liu, Y.-C. Zhang, T. Zhou, Adaptive information filtering for dynamics recommender systems, arXiv:0911.4910.

 

 

挑战四：多样性与精确性的两难困境。

 

若是要给用户推荐他喜欢的商品，最“保险”的方式就是给他特别流行或者得分特别高的商品，由于这些商品有更大的可能性被喜欢（至少贝叶斯会这么想），往坏了说，也很难特别被讨厌。可是，这样的推荐产生的用户体验并不必定好，由于用户极可能已经知道这些热销流行的产品，因此获得的信息量不多，而且用户不会认同这是一种“个性化的”推荐。事实上，Mcnee等人已经警告你们，盲目崇拜精确性指标可能会伤害推荐系统——由于这样可能会致使用户获得一些信息量为0的“精准推荐”而且视野变得愈来愈狭窄[19]。让用户视野变得狭窄也是协同过滤算法存在的一个比较主要的缺陷。与此同时，应用个性化推荐技术的商家，也但愿推荐中有更多的品类出现，从而激发用户新的购物需求。遗憾的是，推荐多样的商品和新颖的商品与推荐的精确性之间存在矛盾，由于前者风险很大——一个没什么人看过或者打分较低的东西推荐出手，极可能被用户憎恶，从而效果更差。不少时候，这是一个两难的问题，只能经过牺牲多样性来提升精确性，或者牺牲精确性来提升多样性。一种可行之策是直接对推荐列表进行处理，从而提高其多样性[20-22]。目前百分点推荐引擎所使用的方法也是相似的。这种方法当然在应用上是有效的，可是没有任何理论的基础和优美性可言，只能算一种野蛮而实用的招数。咱们发现，经过精巧混合精确性高和多样性好的两种算法，能够同时提升算法的多样性和精确性，不须要牺牲任何一方[23]。遗憾的是，咱们尚未办法就这个结果提供清晰的解读和深入的看法。多样性和精确性之间错综复杂的关系和隐匿其后的竞争，到目前为止仍是一个很棘手的难题。

[19] S.M. Mcnee, J. Riedl, J.A. Konstan, Being accurate is not enough: how accuracy metrics have hurt recommender systems, in: Proceedings of the CHI'06 Conference on Human Factors in Computing Systems, ACM Press, New York, 2006, pp. 1097-1101.

[20] B. Smyth, P. Mcclave, Similarity vs. diversity, in: D.W. Aha, I. Watson (Eds.), Case-Based Reasoning Research and Development, Springer, 2001, pp. 347-361.

[21] C.-N. Ziegler, S.M. Mcnee, J.A. Konstan, G. Lausen, Improving recommendation lists through topic diversification, in: Proceedings of the 14th International Conference on World Wide Web, ACM Press, New York, 2005, pp. 22-32.

[22] N. Hurley,M. Zhang, Novelty and diversity in top-N recommendation—analysis and evaluation, ACMTransactions on Internet Technology 10 (2011) 14.

[23] T. Zhou, Z. Kuscsik, J.-G. Liu, M. Medo, J.R. Wakeling, Y.-C. Zhang, Solving the apparent diversity–accuracy dilemma of recommender systems, Proceedings of the National Academy of Sciences of the United States of America 107 (2010) 4511-4515.

 

 

挑战五：推荐系统的脆弱性问题。

 

受推荐系统在电子商务领域重大的经济利益的驱动，一些心怀不轨的用户经过提供一些虚假恶意的行为，故意增长或者压制某些商品被推荐的可能性[24]。所以，一个算法可否在必定程度上保持对恶意攻击的鲁棒性，成为须要认真考虑的一个特征。以最简单的关联规则挖掘算法为例，Apriori算法的鲁棒性就远胜于k近邻算法[25]。有一些技术已经被设计出来提升推荐系统面对恶意攻击的鲁棒性，譬如经过分析对比真实用户和疑似恶意用户之间打分行为模式的差别，提早对恶意行为进行判断，从而阻止其进入系统或赋予疑似恶意用户比较低的影响力[26-28]。整体来讲，这方面的研究相对较少，系统性的分析还很缺少，反而是攻击策略层出不穷，有一种“道高一尺，魔高一丈”的感受。仅Burke等人2011年的研究报告中就分析了4大种类8种不一样的攻击策略[29]。

[24] B. Mobasher, R. Burke, R. Bhaumik, C. Williams, Towards trustworthy recommender systems: an analysis of attackmodels and algorithm robustness, ACM Transactions on Internet Technology 7 (2007) 23.

[25] J. J. Sandvig, B. Mobasher, R. Burke, Robustness of collaborative recommendation based on association rule mining, in: Proceedings of the 2007 ACM Conference on Recommender Systems, ACM Press, 2007, pp. 105-112. 

[26] S. K. Lam, D. Frankowski, J. Riedl, Do You Trust Your Recommendations? An Exploration of Security and Privacy Issues in Recommender Systems, in: Lecture Notes in Computer Science, vol. 3995, Springer, Heidelberg, Germany, 2006, pp. 14-29.

[27] P. Resnick, R. Sami, The influence limiter: provably manipulation-resistant recommender systems, in: Proceedings of the 2007 ACM Conference on Recommender Systems, ACM Press, 2007, pp. 25-32.

[28] C. Shi, M. Kaminsky, P. B. Gibbons, F. Xiao, DSybil: Optimal Sybil-Resistance for Recommendation Systems, IEEE Press, 2009, pp. 283-298.

[29] R. Burke, M. P. O'mahony, N. J. Hurley, Robust Collaborative Recommendation, in: F. Ricci, L. Rokach, B. Shapira, P. B. Kantor (Eds.), Recommender Systems Handbook, Part 5, Springer, 2011, pp. 805-835 (Chapter 25).

 

 

挑战六：用户行为模式的挖掘和利用。

 

深刻挖掘用户的行为模式有望提升推荐的效果或在更复杂的场景下进行推荐。譬如说，新用户和老用户具备很不同的选择模式：通常而言，新用户倾向于选择热门的商品，而老用户对于小众商品关注更多[15]，新用户所选择的商品类似度更高，老用户所选择的商品多样性较高[30]。有些混合算法能够经过一个单参数调节推荐结果的多样性和热门程度[23]，在这种状况下就能够考虑为给不一样用户赋予不一样参数（从算法结果的个性化到算法自己的个性化），甚至容许用户本身移动一个滑钮调节这个参数——当用户想看热门的时候，算法提供热门推荐；当用户想找点很酷的产品时，算法也能够提供冷门推荐。用户行为的时空统计特性也能够用于提升推荐或者设计针对特定场景的应用。用户的选择可能同时蕴含了长期的兴趣和短时间的兴趣，经过将这两种效应分离出来，能够明显提升推荐的精确度[31-33]。事实上，简单假设用户兴趣随时间按照指数递减，也可以获得改进的推荐效果[34,35]。利用手机上网如今已经愈来愈普及，与此同时，嵌入GPS的手机愈来愈多，所以，基于位置的服务成为一个受到学术界和业界普遍关注的问题。基于位置信息的推荐可能会成为个性化推荐的一个研究热点和重要的应用场景，而这个问题的解决须要可以对用户的移动模式有深刻理解[36,37]（包括预测用户的移动轨迹和判断用户在当前位置是否有可能进行餐饮购物活动等），同时还要有定量的办法去定义用户之间以及地点之间的类似性[38,39]。另外，不一样用户打分的模式也很不同[40,41]，用户针对不一样商品的行为模式也不同[42,43]（想象你在网上下载一首歌和团购房子时的区别），这些均可以用来提升推荐的效果。

[15] C.-J. Zhang, A. Zeng, Behavior patterns of online users and the effect on information filtering, Physica A 391 (2012) 1822-1830.

[23] T. Zhou, Z. Kuscsik, J.-G. Liu, M. Medo, J.R. Wakeling, Y.-C. Zhang, Solving the apparent diversity–accuracy dilemma of recommender systems, Proceedings of the National Academy of Sciences of the United States of America 107 (2010) 4511-4515.

[30] M.-S. Shang, L. Lü, Y.-C. Zhang, T. Zhou, Empirical analysis of web-based user-object bipartite networks, EPL 90 (2010) 48006.

[31] S.-H. Min, I. Han, Detection of the customer time-variant pattern for improving recommender systems, Expert Systems with Applications 28 (2005) 189-199.

[32] L. Xiang, Q. Yuan, S. Zhao, L. Chen, X. Zhang, Q. Yang, J. Sun, Temporal recommendation on graphs via long-and short-term preference fusion, in: Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, 2010, pp. 723-732.

[33] N. N. Liu, M. Zhao, E. Xiang, Q. Yang, Online evolutionary collaborative filtering, in: Proceedings of the 4th ACM Conference on Recommender Systems, ACM Press, New York, 2010, pp. 95-102.

[34] J. Liu, G. Deng, Link prediction in a user-object network based on time-weighted resource allocation, Physica A 39 (2009) 3643-3650. 

[35] Y. Koren, Collaborative filtering with temporal dynamics, in: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, 2009, pp. 447-456.

[36] C. Song, Z. Qu, N. Blumm, A.-L. Barabási, Limits of predictability in human mobility, Science 327 (2010) 1018-1021.

[37] E. Cho, S.A. Myers, J. Leskovec, Friendship and mobility: user movement in location-based social networks, in: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM Press, New York, 2011, pp. 1082-1090.

[38] V. W. Zheng, Y. Zheng, X. Xie, Q. Yang, Collaborative location and activity recommendations with GPS history data, in: Proceedings of the 19th International Conference on World Wide Web, ACM Press, New York, 2010, pp. 1029-1038.

[39] M. Clements, P. Serdyukov, A. P. De Vries, M. J. T. Reinders, Personalised travel recommendation based on location co-occurrence, arXiv:1106.5213.

[40] Y. Koren, J. Sill, OrdRec: An ordinal model for predicting personalized item rating distributions, Proc. 5th ACM Conference on Recommender Systems, ACM Press, New York, 2011, pp. 117-124.

[41] Z. Yang, Z.-K. Zhang, T. Zhou, Uncovering Voting Patterns in Recommender Systems (unpublished).

[42] J. Vig, S. Sen, J. Riedl, Navigation the tag genome, in: Proceedings of the 16th International Conference on Intelligent User Interfaces, ACM Press, New York, 2011, pp. 93-102.

[43] L. Chen, P. Pu, Critiquing-based recommenders: survey and emerging trends, User Modeling and User-Adapted Interaction 22 (2012) 125-150.

 

 

挑战七：推荐系统效果评估。

 

推荐系统的概念提出已经有几十年了，可是怎么评价推荐系统，仍然是一个很大的问题。常见的评估指标能够分为四大类，分别是准确度、多样性、新颖性和覆盖率，每一类下辖不少不一样的指标，譬如准确度指标又能够分为四大类，分别是预测评分准确度、预测评分关联、分类准确度、排序准确度四类。以分类准确度为例，又包括准确率、召回率、准确率提升率、召回率提升率、F1指标和AUC值。朱郁筱和吕琳媛总结了文献中曾经出现过的几乎全部的推荐系统指标[44]，这些指标都是基于数据自己的指标，能够认为是第一层次。实际上，在真实应用时，更为重要的是另外两个层次的评价，第二个层次是商业应用上的关键表现指标，譬如受推荐影响的转化率，购买率，客单价，购买品类数等等，第三个层次是用户真实的体验。绝大部分研究只针对第一个层次的评价指标，而业界真正感兴趣的是第二个层次的评价（譬如究竟是哪一个指标或者哪些指标组合的结果可以提升用户购买的客单价），而第三个层细最难，没人能知道，只能经过第二层次来估计。如何创建第一层面和第二层面指标之间的关系，就成为了关键，这一步打通了，理论和应用之间的屏障就通了一大半了。

 

[44] 朱郁筱，吕琳媛，推荐系统评价指标综述，电子科技大学学报（已接收）.

 

 

挑战八：用户界面与用户体验。

 

这个问题更多地不是一个学术性质的问题，而是真实应用的问题。十年前就有学者指出[45,46]，推荐结果的可解释性，对于用户体验有相当重要的影响——用户但愿知道这个推荐是怎么来的。在这个意义上，协同过滤有明显的优点，譬如亚马逊基于商品的协同过滤在发送推荐的电子邮件时会告诉用户之因此向其推荐某书，是由于用户之前购买过某些书。相对地，矩阵分解或者集成学习算法就很难向用户解释推荐结果的起源。用户更喜欢来自本身朋友的推荐而不是系统的推荐，这一点在后面还会详细提到。另外，推荐列表每每含有不少项，这些推荐项最好可以区分红不少类别，不一样类别每每来自于不一样的推荐方法，譬如看过还看过（浏览过本商品的客户还浏览过的商品）、买过还买过（购买过本商品的客户还购买过的商品）、看过最终购买（浏览过本商品的客户最终购买的商品）、个性化热销榜（个性化流行品推荐）、猜你喜欢（个性化冷门商品推荐）等等。固然，如何更好呈现推荐，是一个很难创建理论模型和进行量化的问题，对于不一样被推荐品而言，用户界面设计的准则也可能大不相同。创建一个能够进行A/B测试的系统，或可积累重要的实验数据。

[45] R. Sinha, K. Swearingen, The role of transparency in recommender systems, in: Proceedings of the CHI'06 Conference on Human Factors in Computing Systems, 2002, pp. 830-831.

[46] A. D. J. Cooke, H. Sujan, M. Sujan, B. A. Weitz, Marketing the unfamiliar: the role of context and item-specific information in electronic agent recommendations, Journal of Marketing Research 39 (2002) 488-497.

 

 

挑战九：多维数据的交叉利用。

 

目前网络科学研究一个广受关注的概念是具备相互做用的网络的结构和动力学。网络与网络之间的相互做用大致能够分红三类：

第一类是依存关系[47]，譬如电力网络和Internet，若是发生了大规模停电事故，当地的自主系统和路由器也会受到影响，致使网络局部中断；

第二类是合做关系[48]，譬如人的一次出行，能够看做航空网络、铁路网络和公路网络的一次合做；

第三类是交叠关系[49]，主要针对社会网络，这也是咱们最关注的。咱们几乎每个人，都参与了不止一个大型的社会网络中，譬如你可能既有新浪微博的账号，又是人人网的注册用户，仍是用手机，那么你已经同时在三个巨大的社会网络中了。与此同时，你可能还常常在淘宝、京东、麦包包、1号店、库巴网……这些地方进行网购，那么你也是一张巨大的用户-商品二部分图中的一员。想象若是可以把这些网络数据整合起来，特别是知道每一个节点身份的对应关系（不须要知道你真实身份，只须要知道不一样网络中存在的一些节点是同一我的），其中有特别巨大的社会经济价值。举个例子，你可能已经在新浪微博上关注了不少数据挖掘达人的微博，而且分享了不少算法学习的心得和问题，当你第一次上当当网购书的时候，若是主页向你推荐数据挖掘的最新专著并附有折扣，你会心动吗？

交叠社会关系中的数据挖掘，或称多维数据挖掘，是真正有望解决系统内部冷启动问题的终极法宝——只要用户在系统外部的其余系统有过活动。单纯从个性化商品推荐来说，能够利用用户在其余电商的浏览购买历史来提升在目标电商推荐的精确度——固然，每个电商既是付出者，也是获利者，整体而言，你们可以经过提升用户体验和点击深度实现双赢。与此同时，能够利用微博和其余社会网络的活动提升商品推荐的精度，还能够反过来利用商品浏览历史提升微博关注对象推荐的精度。给一个常常购买专业羽毛球和浏览各类专业羽毛球设备的用户推荐关注羽毛球的专业选手和业余教练成功率应该很高，并且不会陷入“总在一个圈子里面来回推荐”的毛病中。 从机器学习的角度，杨强等人提出的“迁移学习”算法有望移植来解决这种跨邻域的推荐[50]。咱们分析了百分点科技服务客户的真实数据，发现有至关比例的用户都具备交叉购物的习惯（在多个独立B2C电商有浏览和购买行为）[51,52]。即使只考虑两个点上，例如利用麦包包的浏览购买数据为名鞋库的用户进行个性化推荐（这些用户在名鞋库上是没有任何历史记录的新用户，可是在麦包包上有浏览购买行为），就能够明显提升推荐的准确度[51]（比彻底冷启动的随机推荐高数十倍），而若是利用3家或以上的外部电商的数据，其推荐的精确度能够明显高于热销榜（注意，热销榜一点个性化都没有），特别在团购类网站上表现很是好[52]。虽然针对多维数据挖掘的研究刚刚起步，可是我彻底相信这在学术和应用上都将是一个焦点和难点。

[47] S. V. Buldyrev, R. Parshani, G. Paul, H. E. Stanley, S. Havlin, Catastrophic cascade of failures in interdependent networks, Nature 464 (2010) 1025-1028.

[48] C.-G. Gu, S.-R. Zou, X.-L. Xu, Y.-Q. Qu, Y.-M. Jiang, D.-R. He, H.-K. Liu, T. Zhou, Onset of cooperation between layered networks, Physical Review E 84 (2011) 026101.

[49] M. Mognani, L. Rossi, The ML-model for multi-layer social networks, 2011 International Conference on Advances in Social Networks Analysis and Mining, IEEE Press, 2011, pp. 5-12.

[50] S. J. Pan, Q. Yang, A survey on transfer learning, IEEE Transactions on Knowledge and Data Engineering 22 (2010) 1345-1359.

[51] 张亮，柏林森，周涛，基于跨电商行为的交叉推荐算法，电子科技大学学报（已接收）.

[52] T. Zhou, L. Zhang, L.-S. Bai, L. Gong, C. Li, S. Huang, M.-S. Shang, S. Guo, Crossing Recommendation via Local Diffusion (unpublished).

 

 

挑战十：社会推荐。

 

很早之前，研究人员就发现，用户更喜欢来自朋友的推荐而不是被系统“算出来的推荐”[53]。社会影响力被认为比历史行为的类似性更加剧要[54,55]，例如经过社会关系的分析，能够大幅度提升从科研文献[56]到网购商品[57]推荐的精确度。来自朋友的社会推荐有两方面的效果：一是增长销售（含下载、阅读……）[58]，二是在销售后提升用户的评价[59]。社会推荐的效果也不彻底是正面的，譬如Leskovec等人[58]在同一篇论文中也报导了一个反例：朋友推荐对书的销售增加几乎没有帮助，有时候还会起到负面做用。国内业界作得最出色的是豆瓣网，其朋友推荐被接受被高度评价的比例很是高，咱们的研究也主要是基于豆瓣网的数据[59]。最近有证据显示，朋友推荐也是淘宝商品销售一个很是重要的驱动力量[60]。 

在社会推荐方向存在的挑战主要能够分为三类：

一是如何利用社会关系提升推荐的精确度[55]；

二是如何创建更好的机制以促进社会推荐[61,62]；

三是如何将社会信任关系引入到推荐系统中[63,64]。 

社会推荐的效果可能来自于相似口碑传播的社会影响力，也多是由于朋友之间原本就具备类似的兴趣或者兴趣相投更易成为朋友，对这些不一样的潜在因素进行量化区别，也属学术研究的热点之一[65]。

[53] R. Sinha, K. Swearingen, Comparing recommendations made by online systems and friends, in: Proceedings of the DELOS-NSF Workshop on Personalization and Recommender Systems in Digital Libraries, 2001.

[54] M.J. Salganik, P.S.Dodds,D.J.Watts, Experimental study of inequality and unpredictability in an artificial culturalmarket, Science 311 (2006) 854-856.

[55] P. Bonhard,M.A. Sasse, "Knowingme knowing you"—using profiles and social networking to improve recommender systems, BT Technology Journal 24 (2006) 84-98.

[56] S.-Y. Hwang, C.-P. Wei, Y.-F. Liao, Coauthorship networks and academic literature recommendation, Electronic Commerce Research and Applications 9 (2010) 323-334.

[57] P. Symeonidis, E. Tiakas, Y.Manolopoulos, Product recommendation and rating prediction based onmulti-modal social networks, in: Proceedings of the 5th ACM Conference on Recommender Systems, ACM Press, New York, 2011, pp. 61-68.

[58] J. Leskovec, L.A. Adamic, B.A. Huberman, The dynamics of viral marketing, ACM Transactions on Web 1 (2007) 5.

[59] J. Huang, X.-Q. Cheng, H.-W. Shen, T. Zhou, X. Jin, Exploring social influence via posterior effect ofword-of-mouth recommendations, in: Proceedings of the 5th ACM International Conference onWeb Search and Data Mining, ACM Press, New York, 2012, pp. 573-582.

[60] S. Guo, M. Wang, J. Leskovec, The role of social networks in online shopping: information passing, price of trust, and consumer choice, in: Proceedings of the 12th ACM Conference on Electronic Commerce, ACM Press, New York, 2011, pp. 157-166.

[61] M. Medo, Y.-C. Zhang, T. Zhou, Adaptive model for recommendation of news, EPL 88 (2009) 38005.

[62] T. Zhou, M. Medo, G. Cimini, Z.-K. Zhang, Y.-C. Zhang, Emergence of scale-free leadership strcuture in social recommender systems, PLoS ONE 6 (2011) e20648.

[63] J. O'Donovan, B. Smyth, Trust in recommender systems, Proceedings of the 10th international conference on Intelligent user interfaces, ACM Press, 2005, pp. 167-174.

[64] P. Massa, P. Avesani, Trust-aware recommender systems, in: Proceedings of the 2007 ACM conference on Recommender systems, ACM Press, 2007, pp. 17-24.

[65] J. He, W. W. Chu, A social network-based recommender system (SNRS), Annals of Information Systems 12 (2010) 47-74.