什么是社会化网络，社会化网络营销案例解析？( 二 )

2009年，来自于信息科学、经济学、管理科学、社会学、政治学、历史学等不同领域的全球15位顶尖学者在《科学》杂志上提出了“计算社会科学”的概念，他们认为计算社会科学这门新的学科可为人类社会复杂规律的分析与挖掘提供新的研究范式。近年来，伴随社会化网络的日益复杂，计算社会科学领域的研究成果逐步涌现。从推荐方法现有的研究瓶颈来看，冷启动、可解释性、结果评价等仍然是其面临的主要挑战，而立足于社会化大数据分析的计算社会科学，将为推荐理论与方法体系的发展完善提供一个新的研究方向。
【什么是社会化网络，社会化网络营销案例解析？】社会化推荐应关注价值观塑造与知识传播
与传统推荐方法相比，社会化推荐优势显著。面向个体用户，海量社会化大数据引入了用户关系、用户交互行为等信息以及跨领域的多维度信息，而用户交互行为以及跨领域信息的融合可有效应对冷启动、可解释性的挑战，也有利于实现推荐结果的多样性。而且，社会化信息的融合实现了日益精准的兴趣建模，极大推动了“量身定制”的个性化推荐。面向群组用户，在社会化网络中，频繁的用户交互行为引致网络社区不断涌现，如学术交流群组以及诸多公共服务均表现出典型的群组特性，社会化网络大数据为群组相似性偏好、差异性偏好、群体偏好集结提供了天然的基础数据支撑。如此，社会化推荐有助于增强用户黏性，促进企业经营业绩的增长。但与此同时，如果社会化推荐仍与传统推荐方法一样，为产品营销所驱动，则会带来显而易见的弊端。对个体用户而言，个性化推荐的信息同质性问题会诱导出“信息茧房”效应，进而引发个体偏执、极端甚至个体社会化属性的衰退；对群组用户而言，“信息茧房”效应的蔓延将引致群体的观点同质、行为同质、偏好同质，在社会重大问题或热点问题中极易引发舆情极化行为，进而影响社会稳定和经济发展。
有鉴于此，社会化推荐更应关注价值观塑造与知识的传播。具体而言，面向个体用户，社会化推荐应立足于社会化大数据的多维度信息优势，通过个体社交大数据的有效挖掘，精准判断个体的价值倾向与兴趣偏好，有效表达用户的多元化需求，基于社交影响力与兴趣建模实现面向个体的价值引导，挖掘新颖性产品或信息，实现推荐结果的多样化。面向群组用户，社会化推荐应着眼于社会化网络中横向结构群体之间的偏好差异、纵向结构群体之间的外部关联，通过融合网络结构与多源数据信息，准确判断建模群组的价值倾向、行为偏好与群组个体的影响力，实现面向群组的主流价值信息定向传播，规避“信息茧房”效应。唯有如此，社会化推荐才能在深度挖掘用户兴趣偏好与价值倾向的同时，实现推荐精度的提升与主流价值的定向引导。
好了，这篇文章的内容蜀川号就和大家分享到这里！