how socializing maximizes文章的总结
一、问题简述
百科定义：社会化推荐通过社交网络、社交搜索、社交媒体、社会书签、社会新闻、社会知识共享、社交游戏、博客、维基、推荐系统、问答社区、查询日志、标签等获取社交行为数据，利用计算机技术，例如机器学习、数据挖掘、自然语言处理等进行研究，挖掘出集体智慧。这种服务方式不同于传统的信息推荐服务，它将社会网络、社交媒体视为信息推荐的主要平台，使用户的隐性知识在社会化推荐过程中与其他用户进行交互，形成交流。
与传统协同过滤推荐比较：传统协同过滤利用user-item交互历史表示user和item，由于用户行为的稀疏性，了模型的效果。社会化推荐利用user的周围邻居的偏好减轻用户稀疏性，从而得到更好嵌入表示模型。
解释性：一个人的偏好总是与和他存在社会关系的人相似或者受到后者的影响,因此在推荐系统中引入社会关系对提高推荐准确率有重要意义
模型基本形式： 社会化推荐问题的最终目标同协同过滤一样，也是对用户—物品矩阵R中的缺失项进行预测，可利用的信息包括两类： 1、用户历史评分信息
2、用户的社交关系信息 常用数据集：
Epinions：规模较大，包含用户对电影的评分信息，同时包含用户间的信任社交信息，值得注意的是，该数据集同时还包括不信任关系信息。
Yelp：规模大，需要手动提取自己需要的信息，包含评价评分信息，用户信息，商品信息，建议信息等。
Filmtrust：规模较小，包含用户对电影的评分信息，同时包含用户间的信任社交信息。 Ciao Flickr