隨筆檔案

術語：
followee/friend 用戶關注的對象（即新浪微博中的“關注”）
follower 關注用戶的對象（即微博中的“粉絲”）
collaborative filtering 協同過濾

大致內容：
本文作者及其團隊對twitter用戶推薦做了深入研究，并制作了一個在線的twitter用戶推薦的應用。并以profile推薦和search推薦兩種方式呈現給用戶。
profile推薦即用戶不需要自己輸入查詢，該應用將根據用戶的profile自動生成查詢，來查找相關用戶。
search推薦即用戶自行輸入查詢，來尋找自己感興趣的用戶。
本文列舉了9種生成用戶profile的策略：
S1：由用戶U本身的tweets
S2：由用戶U的followees的tweets產生
S3：由用戶U的followers的tweets產生
S4：由S1，S2，S3的并集產生
S5：由用戶U的followee ID產生
S6：由用戶U的follower ID產生
S7：由S5，S6并集產生
S8：結合S1-S7，得分函數依賴于S1和S6
S9：結果S1-S7，得分函數基于推薦列表中用戶位置。

※以上方法中，S1-S4為content based，S5-S7是collaborative filtering。

然后用lucene對這9種策略分別建立索引，進行實驗。其中，基于內容的策略中，采用tf-idf權值。

評價指標：
1、①Precision：即推薦列表與已有followee重復的百分比，S5-S7（Collaborative filtering)好于S1-S4（content based），S3高于S2，Precision隨Recommendation List Size增大而降低
    ②Position：相關用戶的位置因素亦很重要，在此，基于內容方法略好于協同過濾。

2、以上兩個指標均為脫機（offline）評價指標，實際上即便是followee中沒有存在的那些出現在Recommendation List中的用戶，也并非不相關，有很多為potential followees。因此，本文還做了一個live-user trial，選取了34位參與者參加實驗，結果30個推薦列表中，平均采取6.9人，且位置主要集中在推薦列表的top10。另外，search中（31名參與）結果并不如profile，平均4.9人采納。作者分析了這個原因，在于search中用戶所提供信息遠小于profile中的信息，因此效果不如profile推薦。

論文：
John Hannon, Mike Bennett, Barry Smyth:Recommending Twitter Users to Follow Using Content and Collaborative Filtering Approaches. Proceedings of the fourth ACM conference on Recommender systems, Sep. 2010
論文鏈接：
2010_RECSYS_RecommendingTwitterUsers.pdf