探秘社交相關(guān)性排序算法

探秘社交相關(guān)性排序算法

社交相關(guān)性排序(SocialRelevancyRank)即將誕生。屆時，當你搜索“活動流”時，所得的結(jié)果不會再按照時間順序排列，而是會根據(jù)每條信息與用戶的“社交圖譜(socialgraph)”之間的相關(guān)性來排列。也就是說，那些與你關(guān)系更為緊密的人將會排在前面。這種模式的流程如何？實際上，需要通過一個算法，就像谷歌的PageRank一樣。以好友為依據(jù)將你所關(guān)注的人排在搜索結(jié)果的前端是一種顯而易見的做法，但Twitter目前仍未采用?，F(xiàn)在，當你在Twitter上搜索“Wilco”時，所得的結(jié)果會按照時間先后排列。這種方式其實并沒有很好的體現(xiàn)“相關(guān)性”，因為搜索結(jié)果中的多數(shù)信息都來自于陌生人。但如果所列信息來自于你所關(guān)注的人，那么搜索結(jié)果就將更為有用。Twitter目前并不支持這種模式，但FriendFeed卻已經(jīng)很好地采納了這一模式。FriendFeed會根據(jù)用戶的社交圖譜對搜索結(jié)果進行過濾。對于FriendFeed而言，要做到這一點并不困難。一方面，它了解你所關(guān)注的人；另一方面，它會將高端feed搜索技術(shù)整合到了用戶的社交圖譜中。這種方式聽起來很很棒，但也存在一個問題。搜索“Wilco”時，效果不錯，因為這支樂隊剛剛推出了新專輯，但是很多其他的關(guān)鍵詞卻無法返回任何結(jié)果。道理很簡單，你在Facebook上的好友以及在Twitter上所關(guān)注的人不可能對你所感興趣的每個話題都發(fā)表評論。問題在于數(shù)據(jù)稀疏，也就是缺乏可信賴的觀點。尋找更多數(shù)據(jù)來源很明顯，想要解決數(shù)據(jù)稀疏的問題就需要更多的數(shù)據(jù)。解決方案之一就是整合其他可信賴的資源，比如拓寬社交圖譜。例如，搜索結(jié)果所列的內(nèi)容未必來自于你直接關(guān)注的人，它還會包含那些你關(guān)注的人所關(guān)注的其他人。在Facebook中，就是所謂的“好友的好友”。你或許會認為，自己并不熟悉這些人的觀點，因而并不信任他們，但“六度分隔理論”表明，人們的社交圈都很小，因此，這類內(nèi)容通常會擁有相同的價值。還有一種方法就是將興趣類似的人整合到一起，這也就是所謂的“興趣鄰居(tasteneighbors)”。這種方法在垂直社交網(wǎng)絡中非常普遍，例如Last.fm、Flixster和Goodreads等。這些網(wǎng)絡都能夠幫助你了解，除好友之外還有哪些人與你類似。然而，這種運算成本較高，而且非常耗時。如果Twitter要完成類似的功能，就需要根據(jù)人們所發(fā)布的鏈接和Twitter信息的語義來判定。即使這一問題非常棘手，但隨著時間的推移，應該可以解決。群體因素除了使用社交圖譜的“第二度”和“興趣鄰居”外，社交相關(guān)性排序還可以為具有影響力的人賦予更高的權(quán)重。在缺乏任何其他衡量標準時，那些擁有數(shù)十萬名關(guān)注者的人有可能會比其他陌生人具備更高的相關(guān)性。使用關(guān)注者的數(shù)量來衡量剩余的“活動流”是一種不錯的方式?？傊瑢碜阅吧说臒o數(shù)信息機械地整合在一起并非上策。正如人們很少會查看谷歌搜索第一頁以后的內(nèi)容一樣，以時間順序排列的Twitter信息也將很快令人厭倦。社交相關(guān)性排序需要將群體的共同感受考慮進來，以此來提供一種過濾標準，從未為你提供更多的結(jié)果。完美算法完美的算法并不存在，即使PageRank也不夠完美，但我們依然覺得它很有用。正如PageRank在互聯(lián)網(wǎng)中所起的作用一樣，假以時日，社交相關(guān)性排序也將幫助我們了解社交網(wǎng)絡中無窮無盡的“活動流”的意義所在。這種排序?qū)ξ覀兞私夂糜训姆绞疆a(chǎn)生深遠的影響。假以時日，社交相關(guān)性排序還將改變通用網(wǎng)絡搜索。如今，通用網(wǎng)絡搜