什么是社会化网络，社会化网络营销案例解析？

随着电子商务的快速发展和社交媒体的广泛应用，商品、交易、新闻、评论、用户等社交大数据呈爆炸式增长。海量的网络用户和巨大的市场规模在促进经济社会快速发展的同时，也带来了新的挑战。一方面，面对海量的交易信息和复杂的文字、图片、视频等信息。，信息过载问题日益突出，严重制约了市场相关参与者目标的实现；另一方面，虽然当前信息传播的多元化和智能化促进了网络内容的多样化、情感和信息共享的便捷化和大众化，但面对全球思想文化交流的复杂局面和商业网络平台的逐利现象，网络传播中一些违背主流价值取向的网络内容甚至低俗信息的存在，对社会稳定和有效治理提出了挑战。在此背景下，从技术层面解决信息过载问题，通过信息导向引导构建良好的信息环境成为应对挑战的关键要素，而科学有效的社会化推荐对于解决上述问题具有重要的现实意义。

传统的推荐方式在大数据时代面临瓶颈

推荐可以追溯到1992年美国施乐公司帕克研究中心开发的邮件过滤系统Tapestry。面对大量的电子邮件，人们迫切需要高效的文件管理技术来提高工作效率，Tapestry的诞生满足了这一需求。90年代末，人工书目推荐团队作为Amazon.com的核心竞争优势，设立了“亚马逊之声”栏目，成功提升了图书的销售业绩；然后，基于客户历史偏好信息与产品的相似性，亚马逊引入了新的推荐技术，带来了比人工推荐团队高得多的经济价值，其销售贡献达到了Amazon.com的30%。2009年以来，随着社交媒体的发展，好友推荐技术成为脸书、推特等社交平台扩大用户规模、保持用户粘性的重要法宝。近年来，随着人工智能的快速发展，深度学习技术极大地推动了推荐研究的发展，已经成为国际商业公司的重要推荐方法。

在中国电子商务行业的发展中，电子商务平台非常重视推荐系统的研发。比如淘宝推荐系统，覆盖了商品详情、购物车等近百种不同的推荐应用场景。JD.COM推荐系统基于用户偏好、长短期行为和区域召回模型构建候选商品数据库，并应用排名模型生成商品推荐列表。电子商务推荐系统的应用实现了从传统的“千人”界面向“千人”界面的转变，极大地促进了经营业绩的提升。在新闻娱乐领域，推荐系统也成为文本、图片、视频等多源异构内容传播推送的核心方式，并推动了新兴媒体的发展。

面对广泛而深入的应用市场，全球众多研究机构和高校的研究团队对推荐方法进行了持续而深入的研究，基本形成了基于内容的推荐、协同过滤推荐和混合推荐三大类，并进一步探索了冷启动、可解释性和结果评价等一系列问题。科学研究和市场应用的交叉创新推动了保荐制度的发展。目前，中国网民数量已超过8亿，电子商务平台和社交媒体正在深刻改变人们的生活方式。面对海量异构的社会大数据的复杂局面，一方面，在推荐方法的科研层面，推荐场景的复杂性和动态性给我们的决策带来了新的困难；另一方面，如何通过信息技术的创新，引导信息的定向传播，推荐优质内容，弘扬正能量，是摆在我们面前更重要的挑战。

计算社会科学为改进推荐方法提供了新的视角

传统推荐方法基于用户历史评分数据建立行为偏好模型进而生成推荐方案，但推荐效果明显受到地域、情感等多维因素的制约。随着社交媒体的广泛应用，复杂的社交行为催生了用户的社交网络。在社交网络环境中，人们的交流、流量、交易甚至浏览数据都被完整地记录和存储，大量的“数字足迹”被绘制成包含多维信息的个人画像、群体画像和群体网络拓扑图。在社会网络中，不同的子群体形成横向结构，不同的社会角色形成纵向结构，而子群体内部的个体关系、子群体之间的行为差异以及不同角色之间的结构平衡影响着社会网络的稳定性和演化。事实上，子群体内个体之间的联系反映了相似的偏好，不同子群体的行为差异反映了群体的偏好特征。基于对网络子群体特征的分析，社会网络研究已经广泛应用于经济学、管理学、历史学、哲学、新闻传播学等社会科学领域，并推动了计算机科学的发展。

2009年，来自信息科学、经济学、管理学、社会学、政治学、历史学等不同领域的15位全球顶尖学者在《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学科可以为分析和挖掘人类社会的复杂规律提供一种新的研究范式。近年来，随着社会网络的日益复杂，计算社会科学领域的研究成果逐渐涌现。从现有的推荐方法研究瓶颈来看，冷启动、可解释性、结果评估仍是其面临的主要挑战，基于社会化大数据分析的计算社会科学将为推荐理论和方法体系的发展和完善提供新的研究方向。

社会化推荐应该以价值塑造和知识传播为主

与传统推荐方式相比，社会化推荐具有明显的优势。对于个人用户来说，海量的社会化大数据引入了用户关系、用户交互行为、跨域多维信息等信息，用户交互行为和跨域信息的融合可以有效应对冷启动和可解释性的挑战，也有利于推荐结果的多样性。而且社交信息的整合实现了越来越精准的兴趣建模，极大地促进了“量身定制”的个性化推荐。对于群体用户来说，在社交网络中，频繁的用户交互导致在线社区的不断涌现。比如学术交流群，很多公共服务都表现出典型的群体特征。社交网络大数据为群体相似偏好、差异偏好和群体偏好聚合提供了天然的基础数据支持。这样，社交推荐有助于增强用户粘性，促进经营业绩的增长。但与此同时，如果社交推荐仍然像传统推荐方式一样，以产品营销为驱动，则会带来明显的弊端。对于个人用户来说，个性化推荐的信息同质化会诱发“信息茧房”效应，导致个体偏执、极端化甚至个体社交的衰退。对于群体用户而言，“信息茧房”效应的扩散会导致群体观点、行为和偏好的同质化，容易导致社会重大问题或热点问题的舆论两极分化，进而影响社会稳定和经济发展。

有鉴于此，社交推荐更应该注重价值塑造和知识传播。具体来说，对于个人用户，社交推荐要基于社交大数据的多维度信息优势。通过对个体社交大数据的有效挖掘，可以准确判断个体的价值倾向和兴趣偏好，有效表达用户的多样化需求，实现基于社交影响力和兴趣建模的面向个体的价值引导，挖掘新颖的产品或信息，实现推荐结果的多样化。对于群体用户，社交推荐应该关注社交网络中横向结构群体之间的偏好差异和纵向结构群体之间的外部关系。通过整合网络结构和多源数据信息，能够准确判断造型群体个体群体的价值倾向、行为偏好和影响力，实现面向群体的主流价值信息定向传播，避免“信息茧房”效应。只有这样，社交推荐才能在深入挖掘用户兴趣偏好和价值倾向的同时，实现推荐准确率的提升和主流价值的方向性引导。