Web 2.0社交相關性排序算法探秘
FriendFeed最近推出了搜索功能，相信Facebook不久之后也會跟進。
對社交網絡的“活動流(streams of activities，指人們在社交網絡中所從事的一系列活動信息)”進行實時搜索是當前的一大熱點，包括谷歌和微軟在內的所有互聯網企業都意識到，將自己信賴的人當做過濾器來使用的價值所在。實時搜索曾一度被稱作社交搜索，如今它正在逐漸發展壯大。它將首先被用于“活動流”，隨后則會被應用于整個網絡。
社交相關性排序算法(Social Relevancy Rank)即將誕生。屆時，當你搜索“活動流”時，所得的結果不會再按照時間順序排列，而是會根據每條信息與用戶的“社交圖譜(social graph)”之間的相關性來排列。也就是說，那些與你關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Page Rank一樣。
以好友為依據
將你所關注的人排在搜索結果的前端是一種顯而易見的做法，但Twitter目前仍未采用。現在，當你在Twitter上搜索“Wilco”時，所得的結果會按照時間先后排列。這種方式其實并沒有很好的體現“相關性”，因為搜索結果中的多數信息都來自于陌生人。但如果所列信息來自于你所關注的人，那么搜索結果就將更為有用。
Twitter目前并不支持這種模式，但FriendFeed卻已經很好地采納了這一模式。FriendFeed會根據用戶的社交圖譜對搜索結果進行過濾。對于FriendFeed而言，要做到這一點并不困難。一方面，它了解你所關注的人；另一方面，它會將高端feed搜索技術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，但是很多其他的關鍵詞卻無法返回任何結果。道理很簡單，你在Facebook上的好友以及在Twitter上所關注的人不可能對你所感興趣的每個話題都發表評論。問題在于數據稀疏，也就是缺乏可信賴的觀點。
尋找更多數據來源
很明顯，想要解決數據稀疏的問題就需要更多的數據。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，搜索結果所列的內容未必來自于你直接關注的人，它還會包含那些你關注的人所關注的其他人。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，這類內容通常會擁有相同的價值。
還有一種社交相關性排序算法是將興趣類似的人整合到一起，這也就是所謂的“興趣鄰居(taste neighbors)”。這種方法在垂直社交網絡中非常普遍，例如Last.fm、Flixster和Goodreads等。這些網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，就需要根據人們所發布的鏈接和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，社交相關性排序還可以為具有影響力的人賦予更高的權重。在缺乏任何其他衡量標準時，那些擁有數十萬名關注者的人有可能會比其他陌生人具備更高的相關性。使用關注者的數量來衡量剩余的“活動流”是一種不錯的方式。
總之，將來自陌生人的無數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***頁以后的內容一樣，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果。
***算法
***的社交相關性排序算法并不存在，即使Page Rank也不夠***，但我們依然覺得它很有用。正如Page Rank在互聯網中所起的作用一樣，假以時日，社交相關性排序也將幫助我們了解社交網絡中無窮無盡的“活動流”的意義所在。這種排序將會對我們了解好友的方式產生深遠的影響。
假以時日，社交相關性排序還將改變通用網絡搜索。如今，通用網絡搜索的結果是自動根據相關性和新鮮度進行排序的，一旦將社交相關性排序考慮進去，搜索結果就將根據社交元素重新排序。
【編輯推薦】
