[论文解读] A Survey of Link Recommendation for Social Networks: Methods, Theoretical Foundations, and Future Research Directions

Zhepeng Li, Xiao Fang+1 more|arXiv (Cornell University)|Nov 5, 2015

Complex Network Analysis Techniques参考文献 115被引用 15

一句话总结

本综述全面概述了社交网络中的链接推荐，将方法分类为基于学习和基于接近度的两类，并将其建立在社会与经济理论基础之上。文章识别出关键的研究空白，并提出未来研究方向，包括基于效用的推荐、多样性、不完整数据处理以及实验验证，为该领域的研究人员和从业者提供了基础性参考。

ABSTRACT

Link recommendation has attracted significant attentions from both industry practitioners and academic researchers. In industry, link recommendation has become a standard and most important feature in online social networks, prominent examples of which include "People You May Know" on LinkedIn and "You May Know" on Google+. In academia, link recommendation has been and remains a highly active research area. This paper surveys state-of-the-art link recommendation methods, which can be broadly categorized into learning-based methods and proximity-based methods. We further identify social and economic theories, such as social interaction theory, that underlie these methods and explain from a theoretical perspective why a link recommendation method works. Finally, we propose to extend link recommendation research in several directions that include utility-based link recommendation, diversity of link recommendation, link recommendation from incomplete data, and experimental study of link recommendation.

研究动机与目标

• 系统性回顾社交网络中前沿的链接推荐方法。
• 识别并分析解释链接推荐技术有效性的潜在社会与经济理论。
• 突出当前方法在效用、多样性及数据不完整性方面的局限性。
• 提出新的研究方向，包括基于效用的推荐、多样性感知方法，以及对不完整数据的鲁棒性。
• 倡导在未来的链接推荐研究中采用严格的实验评估框架，以超越准确率指标来评估推荐质量。

提出的方法

• 根据其底层机制，将链接推荐方法分类为基于学习和基于接近度的两类。
• 识别社会互动理论等理论基础，以解释链接预测算法的行为与结构依据。
• 通过社会网络理论的视角分析现有方法，包括同质性、三角闭包和结构平衡。
• 综合现有技术，包括协同过滤、矩阵分解，以及基于图的接近度度量方法（如Jaccard和Adamic-Adar）。
• 提出未来的方法论方向，例如将用户效用与偏好建模整合到推荐系统中。
• 强调需要开展实验验证与受控评估研究，以在准确率之外更全面地评估推荐质量。

实验结果

研究问题

• RQ1 基于学习与基于接近度的链接推荐方法在设计与性能上有哪些差异？
• RQ2 哪些社会与经济理论支撑了链接推荐算法的有效性？
• RQ3 为何某些接近度度量方法（如Jaccard或Adamic-Adar）在特定网络环境中表现更优？
• RQ4 如何改进链接推荐系统，以考虑用户效用与推荐的多样性？
• RQ5 在不完整或稀疏的社交网络数据中进行链接推荐时会面临哪些挑战？

主要发现

• 基于学习的方法（如矩阵分解和深度学习）通过建模潜在的用户与项目特征，实现了高准确率，但需要大量训练数据。
• 基于接近度的方法（包括Jaccard和Adamic-Adar）由于依赖于局部网络结构，在稀疏网络中表现良好，且计算效率高。
• 社会互动理论与同质性为用户倾向于与相似或相互关联的个体建立链接提供了强有力的理论依据。
• 三角闭包与结构平衡理论解释了用户倾向于在封闭三角形中形成链接的倾向，这解释了常见接近度度量方法成功的原因。
• 当前方法往往忽视用户特定的效用与多样性，导致推荐冗余或无关，凸显了关键的研究空白。
• 本文指出，不完整数据是主要挑战，因为大多数方法假设网络可被完全或近乎完整地观测，而这种情况在现实世界中极少出现。