随笔档案

术语：
followee/friend 用户关注的对象（即新浪微博中的“关注”）
follower 关注用户的对象（即微博中的“粉丝”）
collaborative filtering 协同过滤

大致内容：
本文作者及其团队对twitter用户推荐做了深入研究，并制作了一个在线的twitter用户推荐的应用。并以profile推荐和search推荐两种方式呈现给用户。
profile推荐即用户不需要自己输入查询，该应用将根据用户的profile自动生成查询，来查找相关用户。
search推荐即用户自行输入查询，来寻找自己感兴趣的用户。
本文列举了9种生成用户profile的策略：
S1：由用户U本身的tweets
S2：由用户U的followees的tweets产生
S3：由用户U的followers的tweets产生
S4：由S1，S2，S3的并集产生
S5：由用户U的followee ID产生
S6：由用户U的follower ID产生
S7：由S5，S6并集产生
S8：结合S1-S7，得分函数依赖于S1和S6
S9：结果S1-S7，得分函数基于推荐列表中用户位置。

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

然后用lucene对这9种策略分别建立索引，进行实验。其中，基于内容的策略中，采用tf-idf权值。

评价指标：
1、①Precision：即推荐列表与已有followee重复的百分比，S5-S7（Collaborative filtering)好于S1-S4（content based），S3高于S2，Precision随Recommendation List Size增大而降低
    ②Position：相关用户的位置因素亦很重要，在此，基于内容方法略好于协同过滤。

2、以上两个指标均为脱机（offline）评价指标，实际上即便是followee中没有存在的那些出现在Recommendation List中的用户，也并非不相关，有很多为potential followees。因此，本文还做了一个live-user trial，选取了34位参与者参加实验，结果30个推荐列表中，平均采取6.9人，且位置主要集中在推荐列表的top10。另外，search中（31名参与）结果并不如profile，平均4.9人采纳。作者分析了这个原因，在于search中用户所提供信息远小于profile中的信息，因此效果不如profile推荐。

论文：
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
论文链接：
2010_RECSYS_RecommendingTwitterUsers.pdf