社交图谱挖掘与社会化推荐引擎.pptx

社交图谱挖掘与社会化推荐引擎摘要人人网及人人应用研究中心简介社会化图谱挖掘案例概述图谱挖掘一：社会化推荐系统概览图谱挖掘二：好友推荐算法库图谱挖掘三：好友亲密度模型图谱挖掘四：好友智能分组算法图谱挖掘五：热点内容检测及传播分析社会化图谱挖掘主要任务归纳及展望from iResearch.cn, Oct. 2011 热点内容发现、预测好友推荐导航浏览优化新鲜事排序+用户关系建模广告排序优化from iResearch.cn, Oct. 2011 搜索排序应用研究中心主要工作领域Mining Social Graph@renren 摘要人人应用研究中心简介社会化图谱挖掘案例概述图谱挖掘一：社会化推荐系统概览图谱挖掘二：好友推荐算法库图谱挖掘三：好友亲密度模型图谱挖掘四：好友智能分组算法图谱挖掘五：热点内容检测及传播分析社会化图谱挖掘主要任务归纳及展望SNS大数据挖掘案例知识图谱；内容推荐；热门话题发现；广告定向Interest DiscoveryProducts：人人头条、横插内容新鲜事推荐User GroupingProducts: 群聊讨论组推荐、好友分组Temporary tiesRenrenColleaguesWeek ties好友智能分组及命名算法；群/讨论组推荐；搜人排序；新鲜事排序CollegematesStrong tiesLondon friendsFriend Rec.Products: 可能认识的人、附近的人Family??二度好友模型、基于加好友趋势预估模型；接受率模型；通讯录社交图谱合并算法；好友亲密度模型?SNS大数据挖掘案例知识图谱；内容推荐；热门话题发现；广告定向Interest DiscoveryProducts：人人头条、横插内容新鲜事推荐User GroupingProducts: 群聊讨论组推荐、好友分组Temporary tiesRenrenColleaguesWeek ties好友智能分组及命名算法；群/讨论组推荐；搜人排序；新鲜事排序CollegematesStrong tiesLondon friendsFriend Rec.Products: 可能认识的人、附近的人Family??二度好友模型、基于加好友趋势预估模型；接受率模型；通讯录社交图谱合并算法；好友亲密度模型?摘要人人应用研究中心简介社会化图谱挖掘案例概述图谱挖掘一：社会化推荐系统概览图谱挖掘二：好友推荐算法库图谱挖掘三：好友亲密度模型图谱挖掘四：好友智能分组算法图谱挖掘五：热点内容检测及传播分析社会化图谱挖掘主要任务归纳及展望数据挖掘案例一：社会化推荐系统背景：信息爆炸、信息过载 1分钟互联网产生多少数据？48小时新视频@Youtube 2000000次搜索请求@Google684478分享消息@Facebook100000条微博@Twitter3600张照片@Instagram推荐系统：给用户推荐符合其喜好的信息 好友推荐，商品推荐，日志推荐，视频推荐，App推荐,广告推荐 Amazon, Facebook，Google, Netflix, Youtube, Apple…“We are moving from an Information Age to the Recommendation Age. ”– “The Long Tail ” by Chris Anderson推荐社会化推荐技术多样化推荐系统历史2010年推荐个性化2009年推荐系统诞生2007年2004年2003年1992年数据挖掘案例一：社会化推荐系统社交网络的信息有什么特殊之处？信息特性：多样化，网状化，异构化实体应用新鲜事音乐专辑异构复杂数据好友关系异构实体公共主页视频电影相册相片小组小站数据挖掘案例一：社会化推荐系统社交网络的信息有什么特殊之处？信息特性：多样化，网状化，异构化实体社交特性：社交关系是一种特殊的信息Social Graph“The global mapping of everybody and how theyre related. ” – Brad FitzpatrickSocial Graph数据挖掘案例一：社会化推荐系统社交网络的信息有什么特殊之处？信息特性：多样化，网状化，异构化实体社交特性：社交关系是一种特殊的信息流动性：信息在社交网络中动态流动，加速增长, 充满噪声Cascades数据挖掘案例一：社会化推荐系统应用场景举例 – Web端“好友推荐位”应用场景举例 – Web端“名片卡”（推荐解释）应用场景举例 – Web端“推荐好友新鲜事”应用场景举例 – Web端“连续推荐好友”应用场景举例 – 移动端 通讯录好友推荐、“附近的人”应用场景举例 – Web端照片内容推荐应用场景举例 – “人人头条”应用场景举