基于社会选择和社会影响的社交网络社群分类与群推荐策略研究

何 军 刘业政 王锦坤

(1.合肥工业大学管理学院，安徽 合肥 230009；2.安徽大学商学院，安徽 合肥 230601)

·应用研究·

基于社会选择和社会影响的社交网络社群分类与群推荐策略研究

何 军1,2刘业政1王锦坤1

(1.合肥工业大学管理学院，安徽 合肥 230009；2.安徽大学商学院，安徽 合肥 230601)

社会选择和社会影响是在线社交网络社群形成的两个主要因素，如果能有效对网络社群中用户和群体进行分类，就可以采取不同的群推荐策略，实现群体满意最大化。利用偏好对表示群用户偏好，利用矩阵分解和贝叶斯个性化排序方法，考查社会选择和影响对用户偏好的影响程度，实现群用户和群体的分类，进而提出2种群推荐策略。最后通过2个数据集的实验验证，表明本文提出的基于用户和群体分类的群推荐策略是有效的。

社群分类；群推荐；社会选择；社会影响；推荐策略

个性化推荐技术已被广泛应用于向消费者推荐产品、服务或活动，然而消费者往往并不是单独存在的，他们处于各种各样的群体中。随着研究者对群体活动的关注，出现了面向群体活动如电影、聚餐、旅游等的群推荐系统(Group Recommender Systems，GRS)[1-4]。随着Web2.0应用以及其他各种类型的社会媒体的发展，在线社交网络(online social networks，OSN)已经成为人们网络生活的最主要平台，而面向在线社交网络的群推荐系统正成为推荐领域的热点研究问题。由于用户参与社区的动机的不同，是自我主动的社会选择还是基于从众的社会影响，将导致社区在组织结构和决策模式方面存在较大差异。社会选择过程中，人们倾向于和他们相似的人之间形成关系，是同质性在起作用，即人们根据相似的特征选择朋友，这是人们自我主动选择的机制。同时社会影响机制的作用下，网络中存在的社会联系将影响节点个体的特征。理解这两种效应之间的冲突不仅有利于揭示社交网络及用户行为形成的原因，也有利于发现在网络中实施某种干预的效果。例如，当社区中存在着诸如读书、看电影、奢侈品消费等共同兴趣时，若观察到的共同兴趣完全是因为社会影响形成的，就可以考虑瞄准一个特定人群，如具有一定影响力的子群实施群推荐，此方案将会对整个社区产生广泛的影响；但若共同兴趣完全是因为选择效应而产生的，那么上述方案只能对所瞄准的特定人群起作用，而对其他人群就难以产生效果，因此群推荐方案的设计要考虑社区中绝大多数人的兴趣偏好。由此可知，针对参与社区不同动机的用户和不同动因形成的网络社区，群推荐策略存在着很大的差异。

1 国内外研究现状

针对群推荐系统的研究远少于面向个体的推荐系统，而且大部分群推荐系统都应用于一个具体的场合，如PolyLens[5]、Travel Decision Forum[6]、INTRIGUE[7]、TV4M[8]等。已经成功应用的群推荐系统往往需要明确获取用户的偏好信息，如一些社交网络群推荐系统在社区中开发个插件，PolyLens就是通过插件来获取用户的评分，这在大规模网络社区中获取用户明确评分的方式是很难做到的；群推荐的一个关键问题是如何将个体偏好集结成群体的偏好，如MusicFX系统采用无痛苦平均策略进行集结[9]；梁昌勇等提出结合领域专家法的群体用户推荐算法[10]。

Leskovec等通过对4个大型社交网络的分析，证明了社会选择的存在[11]；Lewis等通过收集一群大学生在Facebook上4年的活动数据，发现在电影、音乐方面具有相同兴趣爱好的人容易结成好友[12]。社会影响是人们决策受到与他人社会交往的影响，考虑别人的意见以避免和大多数人偏差太大[13]；Bond等在Facebook上针对美国国会选举进行6 100万人随机试验，发现社会影响能够明显改变个体的行为[14]；Muchnik等同样通过大规模的随机试验证明了社会影响能够改变个体决策[15]。如何明确区分社会影响和同质性各自作用的研究也很多，有实验、统计、仿真等。Ma等的研究量化两种因素，并进行了实证分析[16]；肖邦明等对交易型社区的仿真表明基于同质性的传播在初期有较快的扩散速度，而基于社会影响的扩散可以达到更大的范围[17]，总的来说要明确区分两种影响因素较为困难。

群推荐与个体推荐的一个不同之处在于，最终的决策可能不是由某一位个体做出来的，而是群成员共同协商的结果。因此通过对群体社会选择和社会影响机制的研究，将对群体的形成的影响机制应用于群推荐成员协调决策中，会取得较好的效果。本文通过偏好对(Pair)隐反馈获取群个体偏好，然后针对社会选择和社会影响效应程度不同的社交网络，研究群偏好集结方法，具体来说首先根据群体对个体偏好的影响大小实现对群中用户和群的分类，最后针对两类群研究不同的推荐策略，提出群推荐候选方案的产生方法。实验表明，本文提出的基于社会选择和影响的社交网络社群分类与群推荐策略，优于一般的个性化推荐方法。

2 群分类与群推荐策略

2.1 群用户偏好数据获取

社交网络中，直接获取用户的兴趣偏好较为困难，文献[18-19]提出一种隐偏好对的隐式偏好获取方法，不要求用户提供明确的偏好信息，而是通过对用户在社交网络中的行为获取。在面向隐偏好数据的贝叶斯个性化排序学习模型(Bayesian Personalized Ranking from Implicit Feedback，BPR)推荐模型中，就是将用户对项目的评分，处理为一个偏好对的集合(i,j)，其中i为评分为1的显式正向反馈项目，j为评分为0的隐式负反馈项目。假设某用户有M个1的评分，N个0的评分，则该用户共有M×N个偏好对，数据集就由三元组(u,i,j)表示，该三元组表示相对于项目j，用户u更喜欢项目i。本文在BPR偏好对基础上，将模型拓展到群体的应用，设U为所有用户集合，I为所有产品集合，G为存在的群组，则所有的反馈数据为S⊆G×U×I。在社交网络中，若群g中用户u曾经浏览过某个项目i，即(g,u,i)∈S，则表示相比于其它未观察到的项目，用户u更偏爱项目i。如在图1中用户u1浏览过项目i2和i3，没看过项目i1和i4，则我们可以假设用户u喜欢项目i2胜过i1：i2>ui1，i2也胜过i4：i2>ui4，同样项目i3胜过i1和i4。而对于用户u1都浏览过的项目i2和i3，不能推断出他们之间的偏好，用“？”表示。

图1 数据Pair预处理

本文定义训练数据为DS∶={(g,u,ia,ib)|∶(g,u,ia)∈S∧(g,u,ib)∉S}，则(g,u,ia,ib)∈DS表示群g中用户u喜欢ia胜过ib。(G×U×I)S表示没有观察到的负样本，由于>u是反对称的，因此也隐式地考虑了负样本。在本文的实验数据集中CiteULike和Last.fm中，如果用户点评了某些论文或歌曲，则表明用户对这些Item感兴趣，是作为正的样本数据，而把用户没有点评的作为负的样本数据，用户可能不感兴趣，也可能是用户感兴趣但是没有看到。这样训练数据由正样本、不感兴趣的负样本和缺失值负样本构成，没有丢失有价值的负反馈数据。

2.2 群分类与群偏好集结

在线社交网络环境下，用户之间的交互信息体现了个体成员和群体的偏好兴趣，且一个成员往往参加多个社区的活动，通过获取分散在整个社交网络中的海量、碎片化的信息构建个体成员的偏好模型，分析社区中成员间的交互信息和相互影响修正群偏好模型，对群推荐效果至关重要。

假设1：每个用户都有个体的兴趣偏好，而用户的个体偏好是用户固有的，一般不容易改变，个体偏好与用户的社会属性和社会经历相关，如年龄、性别、教育背景和职业等因素，设用户u个体偏好pu。

假设2：用户基于个体兴趣偏好或受其他因素影响加入群体，用户在群体中的社会交互过程，会在一定程度上影响用户的兴趣偏好，也就是用户在群体中所表现出的兴趣偏好不仅与个体固有偏好有关，还受到所在群体的影响，这个影响程度因人而异，对群中每个用户不一样，设u所在群体g的总体偏好为pg。

假设3：用户可能会因为兴趣的多样性，加入不同的群体，而在不同群体中用户表现的行为也不完全一致，受群体的影响程度也不同。比如在某些群体中用户对群体讨论的内容较为熟悉，表现出较高的活跃性，也就是主动选择性较高；而在另外一些群体中用户对群体讨论的内容不熟悉，表现就可能不活跃，参与群体是为了获取这些信息，受社会影响性更高。

根据以上假设，则最终用户的偏好表示为：

其中pu是用户u个体兴趣偏好，wuc是用户在所加入的群c中个体偏好所占比重，pgc是用户加入的群体c所表现的兴趣偏好，wgc为群c所占的比重，也就是群c对用户兴趣偏好形成的影响，wuc+wgc=1，群体的作用越大，则wgc权重越大。用户最终兴趣偏好既要考虑用户个体的固有偏好，也要考虑用户加入的所有群体对用户的影响。

定义1：选择型用户

假设用户加入某个群或参与群中社区活动的动机更多是基于自身兴趣偏好的主动选择，表达自身的观点或主张，而受群其他用户的影响小，也就是个体选择大于群体影响。若用户在参与的所有群体中，在大多数群体中都表现出这样的特征，则将这类用户定义为选择型用户。

定义2：影响型用户

假设用户加入某个群或参与社区活动的动机更多是受到群体的影响，可能为获取信息而接受群中其他用户的推荐，或基于从众性而与其他用户保持一致，也就是受群体的影响大于自身的主动选择。若用户在参与的所有群体中，在大多数群体中都表现出这样的特征，则将这类用户定义为影响型用户。

定义3：选择型群

若在某个群中，群体对大多数用户的兴趣偏好影响小于用户个体固有的兴趣偏好，也就是选择性大于影响性，则称这个群为选择型群，群的整体偏好将趋向分散的可能性更高。

定义4：影响型群

若某个群中，群体对大多数用户的兴趣偏好影响大于用户个体固有的兴趣偏好，也就是影响性大于选择性，则称这个群为影响型群，群的整体偏好将趋向一致的可能性更高。

社会选择型的群，此时群中大部分用户的wuc>wgc，个体的特征主导社区成员的行为，群偏好集结时需要着重考虑用户的个体偏好，尊重用户主动选择；而社会影响型的群，此时群中大部分用户wuc

2.3 群推荐策略

社会选择和社会影响表明用户加入群和参与群活动的动机，如果能识别两种作用机制大小，就可以实现用户和群的分类。根据不同类型用户和群的群偏好集结方式，就可以采取不同的群推荐策略。

策略1：从用户的角度进行群推荐，当针对某个群进行推荐时，对于群中的选择型用户，个体选择大于群的影响，推荐时仅考虑个体偏好；对于影响型用户，群的影响大于个体选择，用群的偏好代替个体偏好，最后进行个体推荐结果集结，见公式(1)。

群推荐策略1：

(1)

策略2：从群的角度进行群推荐，针对选择型的群，需要着重考虑个体用户的偏好，也就是在群推荐时候，对群中的所有用户根据其个体偏好单独进行推荐；而对于影响型的群，群体的偏好趋向一致，可以直接用群体的偏好代表所有用户的个体偏好，在群推荐时候对群中所有用户的偏好共用群的偏好，最后形成单一的推荐列表，见公式(2)。

群推荐策略2：

(2)

3 群推荐实现方法

3.1 基于矩阵分解的模型表示

矩阵分解与传统的算法相比可以带来更好的推荐结果，矩阵分解模型(Matrix Factorization，MF)[20]是一种隐语义模型，其基本原理是将表示用户—项目的评分矩阵R分解成两个矩阵，用户因素矩阵P和项目因素矩阵Q，则预测分数可以表示为：

(3)

其中K是隐特征个数，对群的推荐可以看成Z∶G×U×I→R，进行TopN推荐时，使得群里面所有用户的平均满意度最高。

(4)

本文个体和群体偏好分别用矩阵分解表示为：

(5)

其中bi∈B表示项目的偏差程度，流行的项目bi值会较大。

3.2 基于贝叶斯个性化排序的模型实现

贝叶斯个性化排序学习模型BPR根据评分来优化用户对项目的排序，在对个体用户的应用上取得了较好的效果，本文根据个体和群体的类型，将其改进以适用于群体的情况，实现矩阵分解模型求解。

3.2.1 模型优化准则

在群推荐策略中，模型可以被看作>g,u,i⊂I×I在给定(g,u)下是一个排序问题，模型目标是则优化问题为极大化如下目标：

p(Θ|>g,u)∝p(>g,u|Θ)p(Θ)

(6)

其中>g,u是(g,u)的隐偏好排序，模型假设所有用户相互独立，对于用户项目对(ia,ib)的排序与其它项目对的顺序独立。上述似然函数p(>g,u|Θ)进一步改写为：

(7)

其中ψ是指示函数，ψ(x)=1如果x为真，否则ψ(x)=0。ia>g,uib指给定一个(g,u)，其对ia的偏好高于ib。

由于排序方案的总体性和反对称性，上式可以进一步简化为：

(8)

定义一个(g,u)对相比项目ib更偏向ia的概率为：

(9)

(10)

再引入了一个一般性的先验密度函数p(Θ)，它是一个均值为0，方差协方差矩阵为ΣΘ的正态分布。

p(Θ)～N(0,ΣΘ)

(11)

令ΣΘ=λΘI形式化描述最大后验估计，从而推导用于个性化排序的一般性最优化准则：

(12)

其中λΘ是与模型相关的正则化参数。

3.2.2 模型学习算法

模型优化准则可微分，所以可以利用梯度下降算法求解，当给定一组(g,u,ia,ib)样本，模型参数为θ，则梯度下降求解算法为：

(13)

基于Bootstrap抽样的随机梯度下降(SGD，Stochastic Gradient Descent)，对于每个元组(g,u,ia,ib)∈Ds进行一次更新。

(14)

模型具体学习过程如下：

1)Learn Step：固定WU、WG，然后学习参数G、U、IG、IU、B。给定一组(g,u,ia,ib)，则梯度下降求解过程。

(15)

Bia=Bia+α·(δ-λ·Bia)

Bib=Bib+α·(-δ-λ·Bib)

2)Uptate Step：固定G、U、IG、IU、B，学习WG、WU。

(16)

3.2.3 用户和群分类

根据学习到的参数WU、WG，对用户和群进行分类。

1)用户分类

若在某个群c中，个体用户u的wuc>wgc则在这个群中u为选择型，若u在其所有参加的群中，绝大多数情况下都是选择型，则最终定义用户u为选择型用户，否则为社会影响型用户。

2)群分类

若在某个群c中，绝大多数用户的wuc>wgc，则定义群c为选择型群，否则为影响型群。

3.3 群推荐策略实现

策略1：从用户的角度进行群推荐

对于选择型用户u，WUu的权重为1，WGu中所有的权重为0；对于影响型用户，WUu的权重为0，WGu中所有的权重为1。确定下来参数WU、WG后，再重新学习参数G、U、IG、IU、B，以保证群推荐的精度。此时群推荐就是对群中所有的用户进行推荐，汇总个体用户推荐列表，取总排名在前的项目作为群推荐候选项目。

策略2：从群的角度进行群推荐

对于选择型群c，WUc中所有用户的权重为1，WGc的权重为0；对于影响型群c，WUc中所有用户的权重为0，WGc的权重为1。确定下参数WU、WG后，重新学习参数G、U、IG、IU、B。此时群推荐，选择型群是对群中所有的用户单独进行推荐，汇总推荐列表，影响型群就是对群整体进行推荐，形成单独的群推荐列表。

4 群分类和群推荐实验

4.1 实验数据集

为验证本文提出的用户和群分类方法，以及群推荐策略，实验采用2个真实社交网络数据集，CiteULike和Last.fm，表1为实验数据集信息。CiteULike(http://www.citeulike.org/)是一个著名的论文书签网站，研究人员提交或者收藏自己感兴趣的论文并且给论文打标签，以便更好地发现和自己研究领域相关的优秀论文。CiteULike可以邀请朋友加入创建Group，同群组的人一起分享文献。本文选择至少有5个用户的群和至少标注过2篇论文的用户，实验数据集总共包含130 321个(Group-User-Item)三元组，11 168篇论文作为项目，1 310个用户和584个群。Last.fm(http://www.last.fm/)，是一个提供音乐分享服务的个性化网站，是世界上最大的社交音乐平台。该站点通过每个用户的音乐收听情况提供个性化推荐、联系品味相近的用户、提供定制的电台广播及更多其他服务。在Last.fm中，音乐爱好者也可以创建群组共享音乐。Last.fm实验数据集包含317 907个(Group-User-Item)三元组，3 602个用户和2 716个群，共点评了1 992个项目。

表1 CiteULike and Last.fm数据集

4.2 评价方法

实验采用平均精度均值MAP(Mean Average Precision)、召回率(Recall)和MRR(Mean Reciprocal Rank)作为衡量指标。

MAP平均精度均值是推荐结果准确率(Precision)的平均值表示方式，算法推荐出来的相关项目Rank越高，MAP就可能越高。如果算法推荐的项目没有命中，则准确率为0，MAP也会降低，MAP值越高说明预测准确率越高。

(17)

召回率评估群推荐系统返回所有相关项目的能力，该值越高，代表系统性能越好，召回率衡量的是推荐系统的查全率。

(18)

其中N是在测试集的相关项目的数量，Nrelated是在测试集中出现的推荐排序列表中的项目数。

MRR考查推荐项目列表集合的优劣，跟第一个正确项目的位置有关，第一个正确项目越靠前，结果越好。MRR将给予推荐列表中出现在前面的项目较高的值，后面出现的项目MRR值逐渐递减。

(19)

其中|G|是测试集中群的个数，rank(g)表示在推荐列表中正确项目的排名。

4.3 用户和群分类结果

本文实验通过对WU、WG参数的学习，比较用户个体和群体权重的大小，若用户在其所有参加的群中半数以上表现为选择型特征则定义为选择型用户。表2为用户分类结果，2个实验数据集都是选择型用户多于影响型用户，Last.fm中选择型用户数更是远远多于影响型用户数，表明在Last.fm中用户的主动选择大于社会影响，Last.fm中用户参加一个音乐小组群，更多的是基于个体对于音乐的兴趣。而在CiteULike中，网站主要功能是用来处理文献引用和文献分享的需要，用户加入某个群可能是为了获取其他人的文献分享，因此用户的研究兴趣偏好会受到外界其他用户一定的影响，在CiteULike中影响型用户虽然也少于选择型用户，但差距没有Last.fm中的大。

表2 用户分类结果

用户分类之后，再对实验数据集的群进行分类，实验数据集是选择型用户多于影响型用户，因此以选择型群的识别进行分类，此处先做个一般情况下的划分，下一节将做更细致分类条件分析。实验将群中的用户兴趣偏好其个体的影响权重在55%以上的，也就是wuc≥0.55的用户占到群中用户数的半数以上，定义为选择型群，低于半数的为影响型群。表3为群分类结果，无论是CiteULike还是Last.fm，选择型群都要多于影响型群，也说明在这两类社交网络中，群的形成主要还是基于同质性的主动选择，用户根据其兴趣偏好加入某个群。

表3 群分类结果

4.4 群推荐结果

图2 MAP实验结果

图3 Rec@10实验结果

图4 MRR实验结果

图2～4为实验结果，从各图中可以看出，本文提出的方法在各个指标上都优于其他方法。群推荐GR的指标最好，但GR没有实现用户和群分类，依赖的参数权重与测试数据集有关，可能存在过拟合的情况。UCGR和GCGR推荐效果稍低于GR，都优于传统的方法。UCGR实现了用户分类，GCGR实现了群分类，对于其他针对群营销的应用场合也能有较好参考价值，而不仅仅限于实验数据集。BPR-U和BPR-G的实验结果说明，仅考虑个体或者仅考虑群体的这两种方法都不合适，在对群偏好集结时，应该根据群体的特征，同时考虑群体和个体的共同作用。群推荐的结果也验证了本文的用户和群分类是有效的。

4.5 敏感性分析

前面在做群分类时，将wuc≥0.55的权重影响程度作为群分类条件，群的不同分类条件，可能会对群的分类有较大的影响结果，表4和表5为其他几种条件下，2个实验数据集群的分类结果敏感性分析。随着选择型群分类条件的提高，实验数据集的选择型群数量会降低，Last.fm在≥0.65和≥0.7下分类结果一样。图5为CiteULike敏感性实验结果，可以看出，≥0.55的群划分条件下，CiteULike的群推荐效果最好，在≥0.5～≥0.6条件下，群分类结果和推荐效果都较为稳定，只在≥0.7后推荐效果才有较大的下降。图6为Last.fm敏感性实验结果，在≥0.5的群划分条件下Last.fm的群推荐效果最好，且其他条件下推荐效果也较为稳定。敏感性分析的结果也同时表明，本文提出的群分类方法在不同分类条件下的推荐结果较为稳定，都优于普通的推荐方法。

表4 CiteULike不同条件下群的分类

图5 CiteULike敏感性实验结果

群分类≥0.5≥0.55≥0.6≥0.65≥0.7选择型群数目23082256204317151715影响型群数目38846067310011001

图6 Last.fm敏感性实验结果

5 结束语

随着社交网络的发展，针对群体的群推荐系统应用也越来越广，本文提出了一种针对社会选择和社会影响两种机制的社群用户和群分类方法，在分类基础上，提出2种不同的群推荐策略，CiteULike和Last.fm两个实验数据集的实验结果表明，本文提出的群推荐方法优于传统的个性化推荐方法。本文的方法还同时解决了群推荐3个主要问题，首先是在社交网络中没有明确用户评分的情况下，如何隐含的获取用户偏好信息；其次是社交网络群偏好聚集策略，问题的复杂性在于个体偏好的动态性和多样性，并且这种偏好要受到所加入群的影响，加入的群越多，影响的程度不同复杂性越大，本文通过对社交网络中用户和社群的分类，实现社交网络群偏好的聚集；最后是社交网络群推荐策略，社交网络中群类型的不同，分别采取不同的推荐策略，针对选择型的用户和群，需要着重考虑个体用户的偏好，也就是在群推荐时，对群中的用户根据其个体偏好单独进行推荐，而对于影响型的用户和群，群体的偏好趋向一致，可以直接用群体的偏好代表所有用户的个体偏好，在群推荐时对群中所有用户的偏好共用群的偏好，然后进行推荐。

[1]Jameson A,Smyth B.Recommendation to groups[J].The adaptive web,2007:596-627.

[2]Boratto L,Carta S.State-of-the-art in group recommendation and new approaches for automatic identification of groups[J].Information retrieval and mining in distributed environments,2011,324:1-20.

[3]Masthoff J.Group recommender systems:Combining individual models[J].Recommender systems handbook,2011:677-702.

[4]张玉洁，杜雨露，孟祥武.组推荐系统及其应用研究[J].计算机学报,2016,39(4):745-764.

[5]O’Connor M,Dan C,Konstan J A,et al.PolyLens:a recommender system for groups of users[C]//Conference on European Conference on Computer Supported Cooperative Work.Kluwer Academic Publishers,2001:199-218.

[6]Jameson A,Baldes S,Kleinbauer T.Two methods for enhancing mutual awareness in a group recommender system[C]//Proceedings of the working conference on Advanced visual interfaces.ACM,2004:447-449.

[7]Ardissono L,Goy A,Petrone G,et al.Tailoring the recommendation of tourist information to heterogeneous user groups[C]//Workshop on Adaptive Hypermedia.Springer,Berlin,Heidelberg,2001:280-295.

[8]Yu Z,Zhou X,Hao Y,et al.TV Program Recommendation for Multiple Viewers Based on user Profile Merging.[J].User Modeling and User-Adapted Interaction,2006,16(1):63-82.

[9]McCarthy J F,Anagnost T D.MusicFX:an arbiter of group preferences for computer supported collaborative workouts[C]//Proceedings of the 1998 ACM conference on Computer supported cooperative work.ACM,1998:363-372.

[10]梁昌勇，冷亚军，王勇胜，等.电子商务推荐系统中群体用户推荐问题研究[J].中国管理科学,2013,21(3):153-158.

[11]Leskovec J,Backstrom L,Kumar R,et al.Microscopic evolution of social networks[C]//Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining.ACM,2008:462-470.

[12]Lewis K,Gonzalez M,Kaufman J.Social selection and peer influence in an online social network[J].Proceedings of the National Academy of Sciences,2012,109(1):68-72.

[13]Denrell J.SOCIOLOGY:Indirect social influence[J].Science,2008,321(5885):47-48.

[14]Bond R M,Fariss C J,Jones J J,et al.A 61-million-person experiment in social influence and political mobilization[J].Nature,2012,489(7415):295-298.

[15]Muchnik L,Aral S,Taylor S J.Social influence bias:A randomized experiment[J].Science,2013,341(6146):647-651.

[16]Ma L,Krishnan R,Montgomery A L.Latent homophily or social influence? An empirical analysis of purchase within a social network[J].Management Science,2014,61(2):454-473.

[17]肖邦明，黄敏学.交易型社区的病毒式营销策略:基于社会影响、同质性和网络拓扑结构的ABMS仿真研究[J].营销科学学报,2015,11(1):22-38.

[18]Rendle S,Schmidt-Thieme L.Pairwise interaction tensor factorization for personalized tag recommendation[C]//Proceedings of the third ACM international conference on Web search and data mining.ACM,2010:81-90.

[19]Rendle S,Freudenthaler C,Gantner Z,et al.BPR:Bayesian personalized ranking from implicit feedback[C]//Proceedings of the twenty-fifth conference on uncertainty in artificial intelligence.AUAI Press,2009:452-461.

[20]Yehuda Koren，Robert Bell，Chris Volinsky.Matrix Factorization Techniques for Recommender Systems[J].Computer,2009,42(8):30-37.

[21]Hu Y,Koren Y,Volinsky C.Collaborative filtering for implicit feedback datasets[C]//Data Mining,2008.ICDM’08.Eighth IEEE International Conference on.Ieee,2008:263-272.

[22]何军，刘业政.同质性和社会影响对混合型社交网络形成的仿真分析[J].现代情报,2017,37(4):87-94.

CommunityClassificationandGroupRecommendationStrategyofOnlineSocialNetworksBasedonSocialSelectionandSocialInfluence

He Jun1,2Liu Yezheng1Wang Jinkun1

(1.School of Management,Hefei University of Technology,Hefei 230009,Chian；2.School of Business,Anhui University,Hefei 230601,China)

Social selection and social influence are the two main factors in the formation of online social network community.If classification of users and groups in network community effectively,it can take different strategies for group recommendation,so can realize the community satisfaction maximization.The paper used pairwise to express user preference preference,used matrix factorization and Bayesian personalized ranking method to judge social selection and influence on user preferences.And it realized the classification of users and groups,Then proposed 2 group recommendation strategies.Finally,the experimental results of 2 datasets showed that the proposed group recommendation strategy based on classification of users and groups is effective.

community classification;group recommendation;social selection;social influence;recommendation strategy

10.3969/j.issn.1008-0821.2018.01.013

TP181；TP391

A

1008-0821(2018)01-0092-08

2017-08-29

国家自然科学基金项目“基于模体挖掘面向在线社交网络中虚拟社区的群推荐系统研究”(项目编号71371062)；安徽省教育厅人文社会科学重点项目“在线社交网络社区形成机制对企业社会化营销策略的影响研究”(项目编号SK2015A234)。

何军(1978-)，男，讲师，博士研究生，研究方向：社会网络分析、信息处理、决策分析。刘业政(1965-)，男，教授，博士生导师，研究方向：智能决策理论与方法、电子商务。王锦坤(1990-)，男，博士研究生，研究方向：个性化推荐、数据挖掘。

(实习编辑：陈 媛)