211service.com
Datavetare utnyttjar sociala nätverk för att skapa nytt rekommendationssystem
Rekommendationssystem har blivit en viktig kraft inom onlinehandel. Sajter som Amazon och Netflix har enorma databaser som registrerar varje användares köp och preferenser. Detta gör att dessa företag kan matcha användare med liknande intressen och preferenser.
När en viss användare besöker webbplatsen använder rekommendationssystemet denna information för att rekommendera produkter som andra med liknande preferenser också gillar. Det är en process som kallas kollaborativ filtrering och de flesta kommersiella rekommendationssystem förlitar sig på den.
Men det finns ett annat sätt att ge rekommendationer som har fått mycket mindre uppmärksamhet, säger Shang Shang vid Princeton University i New Jersey och några kompisar.
Dessa killar påpekar att det finns gott om bevis för att preferenser är smittsamma. Det betyder att de kan flöda genom sociala nätverk på samma sätt som epidemier sprids.
Så ett alternativt sätt att ge rekommendationer är att titta på strukturen i en individs sociala nätverk och förutsäga hur vissa preferenser sannolikt kommer att spridas genom det.
Tidigare var den faktor som har begränsat framgången för denna typ av förutsägelse en detaljerad kunskap om nätverkets struktur. Men allt det har förändrats under de senaste åren med den enorma populariteten för sociala nätverk online. Det är nu enkelt att se hur individer är länkade.
Shang och cos grundantagande är att om Adam gillar en film, kommer den preferensen att spridas till hans närmaste grannar på hans sociala nätverk – hans vänner – med en viss sannolikhet. Om tillräckligt många delar denna preferens, kan det rinna igenom nätverket som en influensa.
Så ett sätt att förutsäga att Eva kommer att gilla den här filmen är att se hur nära hon är Adam och hur troligt att denna preferens kommer att nå henne. Om Adam och Eva är nära vänner kan detta vara en relativt stor sannolikhet.
Det är en intressant idé men syratestet kommer att vara om det fungerar i praktiken. En viktig fråga är hur kommersiellt användbar det kommer att vara. Den sociala spridningsmodellen kan vara förutsägande men kommer den att påverka köpbeslut i praktiken? Kommer Eva att bli lika påverkad av rekommendatorsystemet som hon är av hennes vän Adams muntliga åsikt?
Shang och co vet inte men de planerar att ta reda på det med hjälp av data från Yelp.com, som ger användarbetyg på restauranger, spa etc. Om det fungerar är jag säker på att vi kommer att höra från dem igen.
Ref: arxiv.org/abs/1208.0782 : Wisdom of the Crowd: Inkorporering av socialt inflytande i rekommendationsmodeller