論文：Social Collaborative Filtering for Cold-start Recommendations / 使用者冷啟動推薦的社會化協同過濾
作者：Suvash Sedhain,Scott Sanner,Darius Braziunas,Lexing Xie,Jordan Christensen
發表刊物：RecSys
發表年度：2014
下載地址：http://users.cecs.anu.edu.au/~ssanner/Papers/recsys14.pdf

這篇文章研究了在線上零售環境中如何基於有限的輔助資訊（如人口統計學資訊——性別、年齡、位置，或社交網路資訊——Facebook好友關係、喜歡的頁面等）進行使用者冷啟動推薦的問題，具體地，作者在基於產品的協同過濾演算法的基礎之上，設計了一個能夠融合使用者社交輔助資訊的使用者冷啟動推薦框架

1、背景

使用者冷啟動問題是線上零售平臺中一種常見的問題，緩解使用者冷啟動問題對於使用者首次參與體驗及使用者忠誠度有重要作用。傳統的協同過濾方法不能解決使用者冷啟動問題，一些基於內容或基於使用者過濾的方法使用使用者的內容資訊來粗粒度地刻畫使用者的偏好，這些方法往往只是比基於產品流行度的推薦演算法效果稍好，不能滿足實際需求。最近出現了一些基於使用者社交資訊的研究，如利用使用者在Facebook上的個人資訊和社交網路資訊預測使用者的特徵以及為使用者做推薦，這些研究證明了在推薦相關研究中社交資訊的有用性。基於以上分析，作者提出了自己的建模思路：

2、模型

作者使用基於產品的協同過濾方法設計了社會化協同過濾方法：

基於產品的協同過濾方法的思路是：首先基於訓練使用者和產品的互動歷史計算出產品的相似性，然後基於目標使用者的互動記錄和產品之間的相似性計算出目標使用者對所有產品的喜好程度，再排序產生推薦列表；

作者提出的社會化協同過濾進行使用者冷啟動推薦的思路是：首先基於訓練使用者的社交內容資料計算出內容和產品的相似性，然後基於目標使用者的內容和產品之間的相似性計算出目標使用者對所有產品的喜好程度，再排序產生推薦列表。

在上述社會化協同過濾框架下，作者定義了4種相似度計算指標：

3、實驗

作者使用的是Kobo的內部資料，資料包括：30000使用者、80000+電子書、超過900萬社交關係以及超過600萬網頁，在此基礎上做了一些預處理工作。實驗中作者用到的社交內容資訊分別為使用者人口統計學資訊、使用者的社交網路資訊以及使用者喜歡的Facebook頁面資訊，對比演算法為most popular，即根據產品流行度進行推薦的非個性化推薦演算法。

實驗證明使用使用者喜歡的Facebook頁面資訊做使用者冷啟動推薦效果最好，此外兩個相似性度量指標均使用cosine similarity時效果最好，因此該模型也稱為Cos-Cos，此外作者還做了幾組魯棒性分析。

4、實現

該模型的實現邏輯很簡單，這裡就忽略了。