Рекомендации в друзья Вконтакте по какому принципу

на сайте вконтакте,появились в разделе «мои новости» какие то рекомендации ,теперь видно все статусы и комментарии не только друзей,но и друзей друзья! видно даже ,когда ты оставляешь комментарий свой,я не хочу ,что бы все видели,что я комментирую в группах например! как убрать эту фигню?

19 июля 2011, 16:13
[3296662322]
Добавить в избранное
Ответить автору
Продолжить
18 ответов

Последний — 02 ноября 2017, 02:45 Перейти
[4112476297]
19 июля 2011, 16:37

Так же как и скрыть всех друзей! По-моему, теперь нереально! Контакт становится все хуже и хуже!

[1647297617]
19 июля 2011, 16:50

ну старайтесь меньше там сидеть, живём то мы в реале все.

[1529140349]
19 июля 2011, 17:07

А у меня ничего такого не видно. В новостях нет никаких «друзей друзей». Не понимаю о чем Вы,Автор

19 июля 2011, 17:30

а еще можно смотреть новости друзей, если нажать на обновления с их страницы с окошечка их друзей.

19 июля 2011, 17:45

Осталось только сделать возможным смотреть, кто заходил на твою страницу и из контакта можно удаляться((((((

[СИ] С КЕМ ОБЩАЮТСЯ ТВОИ ДРУЗЬЯ/VK

Пирог с яблоками
[1798608135]
19 июля 2011, 17:47

А мне не понятно почему убрали подарки со страницы. С ними как то страничка «наряднее» была что ли. А сейчас этот раздел спрятали. Смысл тогда дарить эти подарки если их не увидишь. Вроде мелочь,а как то не приятно.

[3589101737]
19 июля 2011, 18:41

у меня 17 друзей и все скрыты. Так какой лимит по сокрытию. ))))))))

[1381625985]
19 июля 2011, 19:02

у меня 17 друзей и все скрыты. Так какой лимит по сокрытию. ))))))))

А зачем Вы их скрыли? Просто интересно.

[3589101737]
19 июля 2011, 20:10

Гостьу меня 17 друзей и все скрыты. Так какой лимит по сокрытию. ))))))))А зачем Вы их скрыли? Просто интересно.

а потому что стыдно, у всех по 100-300

19 июля 2011, 20:42

нет, в рекомендациях только те люди или группы на странички которых вы когда-то (даже если это было очень давно и один раз) заходили. вот.

[3299865810]
19 июля 2011, 20:44

Лимит по сокрытию — 15 человек

10 — нет,в рекомендациях друзья друзей.необязательно к ним было когда то заходить.

Похожие темы

Написать ей? Не спугну ли?

26 октября 2022, 18:21

Бывшая жена мужа меня копирунт

11 июля 2018, 16:44
19 июля 2011, 22:23

ну старайтесь меньше там сидеть, живём то мы в реале все.

[3589101737]
19 июля 2011, 23:23

Лимит по сокрытию — 15 человек

10 — нет,в рекомендациях друзья друзей.необязательно к ним было когда то заходить.

у меня 17 — все скрыты

[2712706134]
21 июля 2011, 19:28

лимит по скрытию-20 человек ;D

04 августа 2011, 04:40

откуда вы взяли что люди из рекомеднаций посещались когда-либо? мне кажется что не все.. ответьте пожалуйста.

[1287672630]
13 марта 2012, 11:54

а как сделать чтобы моя запись оказалась в рекомендациях?

[2172031112]
21 июля 2012, 23:17

Как формируются важные друзья в ВК? Как работают важные друзья ВКонтакте?

кто знает как сделать чтоб моя запись появилась в рекомендациях.

[1618601238]
02 ноября 2017, 02:45

Ко всему еще и для разработчиков некоторые функции API убрали

Ответить автору
Форум: Психология
Новые темы за сутки:

Биохакинг. Улучшение памяти

Нет ответов

Антидепрессанты после неудачной попытки

Мне 30 лет, а в душе я уже старуха. У кого так же?

13 ответов

Боюсь уколов

Депрессия и невроз после развода. Сходила к психиатру теперь жалею

19 ответов

Компульсивное переедание — враг номер один

Психотерапия и психология книжечки

Нет ответов

С чем связано желание скрывать фигуру

Что вам помогает чувствовать себя бодро?

В какой части тела находится душа?

Популярные темы за сутки:

Депрессия и невроз после развода. Сходила к психиатру теперь жалею

19 ответов

Нервный муж

19 ответов

Ощущение червей в голове. Что это может быть?

14 ответов

Мне 30 лет, а в душе я уже старуха. У кого так же?

13 ответов

Беспокоят навязчивые мысли и действия

11 ответов

В какой части тела находится душа?

Компульсивное переедание — враг номер один

С чем связано желание скрывать фигуру

Боюсь уколов

Что вам помогает чувствовать себя бодро?

Следующая тема

Теперь видно кто на какие страницы заходит в контакте

27 ответов
Предыдущая тема

вы верите в порчу и сглаз?

• Малыши
• Дети от 3 до 6 лет
• Дети от 7 до 12 лет
• Подростки
• Детское питание
• Здоровье и развитие
• Детские сады и школы
• Имена
• Детские пособия

• Время для себя
• Искусство
• Путешествия
• Праздники и подарки
• Проба пера
• Будем знакомы

• Форумчане о форумчанах
• Общение с модераторами
• Блог форума
• Развлекательный портал

Пользователь сайта Woman.ru понимает и принимает, что он несет полную ответственность за все материалы, частично или полностью опубликованные с помощью сервиса Woman.ru. Пользователь сайта Woman.ru гарантирует, что размещение представленных им материалов не нарушает права третьих лиц (включая, но не ограничиваясь авторскими правами), не наносит ущерба их чести и достоинству.

Пользователь сайта Woman.ru, отправляя материалы, тем самым заинтересован в их публикации на сайте и выражает свое согласие на их дальнейшее использование владельцами сайта Woman.ru. Все материалы сайта Woman.ru, независимо от формы и даты размещения на сайте, могут быть использованы только с согласия владельцев сайта.

Использование и перепечатка печатных материалов сайта woman.ru возможно только с активной ссылкой на ресурс. Использование фотоматериалов разрешено только с письменного согласия администрации сайта.

Размещение объектов интеллектуальной собственности (фото, видео, литературные произведения, товарные знаки и т.д.) на сайте woman.ru разрешено только лицам, имеющим все необходимые права для такого размещения.

Copyright (с) ООО «Шкулёв Диджитал Технологии», 2023. Любое воспроизведение материалов сайта без разрешения редакции воспрещается.

Мобильная версия

Сетевое издание «WOMAN.RU» (Женщина.РУ)

Свидетельство о регистрации СМИ ЭЛ №ФС77-83680, выдано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор) 26 июля 2022 года. 18+

Учредитель: Общество с ограниченной ответственностью «Шкулёв Диджитал Технологии»

Главный редактор: Воронцева О. А.

Контактные данные редакции для государственных органов (в том числе, для Роскомнадзора):

Источник: www.woman.ru

Рекомендации друзей ВКонтакте: ML на эго-графах

Дружбы — одна из важнейших механик любой социальной сети. Подавляющее большинство взаимодействий происходит между пользователями, которые дружат: мы видим и комментируем записи друг друга в лентах, заходим в список друзей, чтобы найти знакомых и написать сообщение. Именно поэтому рост социального графа так важен.

Меня зовут Женя Замятин, я работаю в команде Core ML ВКонтакте. Хочу рассказать, как устроены рекомендации, которые делают ближе пользователей самой крупной социальной сети рунета.

Обзор

Современные рекомендательные системы зачастую состоят из двух уровней, и наша не исключение. Задача первого уровня — искать наиболее релевантных кандидатов среди всего множества пользователей (у нас их сотни миллионов). Такая постановка задачи подразумевает высокую скорость работы.

Обычно здесь используют простые в применении модели — вроде матричных факторизаций или эвристики на базе числа общих друзей. Полученные на первом уровне кандидаты отправляются на второй. Здесь на модель уже не накладываются такие жёсткие ограничения по скорости, её главная задача — обеспечить максимальную точность предсказаний и сформировать список, который увидит пользователь. В этой статье мы рассмотрим только первый этап — уровень отбора кандидатов.

Сначала рассмотрим базовые решения, придуманные десятки лет назад, но до сих пор актуальные. Первым приходит на ум одно из самых логичных — эвристика на основе числа общих друзей. Для каждого пользователя отбираются кандидаты с наибольшим таким значением. Этот подход просто реализуется и неплох по качеству.

Ещё один важный метод рекомендаций — Adamic/Adar. В его основе лежит всё тот же анализ общих друзей, но с модификацией: авторы предлагают учитывать число друзей у «общего» друга. Чем больше это значение, тем меньше информации о релевантности он несёт.

Кроме методов на основе анализа общих друзей, довольно распространены рекомендации на базе эмбеддингов. В Лаборатории искусственного интеллекта ВКонтакте в МФТИ мы провели исследование: сравнили эффективность разных подходов к задаче предсказания дружб в VK. Результаты совпали с нашим опытом — решения на базе графовых эмбеддингов у нас работают плохо. Учитывая это, мы стали развивать систему отбора кандидатов по пути анализа общих друзей.

EGOML

Общая схема нашего метода продолжает идеи числа общих друзей и Adamic/Adar. Финальная мера релевантности E(u, v) , с помощью которой мы будем отбирать кандидатов, всё так же раскладывается в сумму по общим друзьям u и v . Ключевое отличие — в форме слагаемого под суммой: в нашем случае это мера ez_c(u, v) .

Сначала попробуем понять «физический» смысл меры ez_c(u, v) . Представим, что мы взяли пользователя c и спросили у него: «Насколько вероятно, что два твоих друга, u и v , подружатся?» Чем больше информации для оценки он учтёт, тем точнее будет его предсказание. Например, если c сможет вспомнить только число своих друзей, его рассуждения могут выглядеть следующим образом: «Чем больше у меня друзей, тем менее вероятно, что случайные двое из них знакомы». Тогда оценка вероятность дружбы u и v (с точки зрения c ) может выглядеть как 1/log(n) , где n — число друзей. Именно так устроен Adamic/Adar. Но что если c возьмёт больше контекста?

Прежде чем отвечать на этот вопрос, разберёмся, почему ez_c(u, v) важно определять через пользователя c . Дело в том, что в таком виде очень удобно решать задачу распределённо. Представим, что теперь мы разослали всем пользователям платформы анкету с просьбой оценить вероятность дружбы в каждой паре их друзей. Получив все ответы, мы можем подставить значения в формулу E(u, v) . Именно так выглядит вычисление E(u, v) с помощью MapReduce:

• Подготовка. Для каждого c выделяется тот контекст, который он будет учитывать для вынесения оценок. Например, в Adamic/Adar это будет просто список друзей.
• Map. «Спрашиваем» у каждого c , что он думает про возможность дружбы в каждой паре его друзей. По сути, вычисляем ez_c(u, v) и сохраняем в виде (u, v) → ez_c(u, v) для всех u, v in N(c) . В случае Adamic/Adar: (u, v) → 1/log|N(c)| .
• Reduce. Для каждой пары (u, v) суммируем все соответствующие ей значения. Их будет ровно столько, сколько общих друзей у u и v .

Таким образом мы получаем все ненулевые значения E(u, v) . Заметим: необходимое условие того, что E(u, v) > 0 , — существование хотя бы одного общего друга у u и v .

Контекстом пользователя c в случае меры ez_c будет тот же список друзей, но дополненный информацией о связях внутри этого списка. Такую структуру в науке называют эго-графом. Если более формально, эго-граф вершины x — это такой подграф исходного графа, вершинами которого являются все соседи x и сама x , а рёбрами — все рёбра исходного графа между этими вершинами. Коллеги из Одноклассников написали подробную статью об эго-графах и затронули в ней вопрос их эффективного построения.

Ключевая идея меры ez_c в том, что её можно сделать обучаемой. Для каждого пользователя c , его эго-графа и всех пар пользователей u , v внутри него мы можем посчитать много разных признаков, например:

• число общих друзей u и v внутри эго-графа c ;
• число общих друзей u и c ;
• интенсивность взаимодействий между v и c ;
• время, прошедшее с последней дружбы между u и кем-либо из эго-графа c ;
• плотность эго-графа c ;
• и другие.

Таким образом мы получим датасет с признаками. Но для обучения нужны ещё и метки. Пусть датасет был построен по состоянию графа на момент времени T . Тогда в качестве положительных примеров возьмём те пары пользователей, которые не были друзьями на момент T , но подружились к T + △T . А как отрицательные — все остальные, не подружившиеся, пары пользователей. Заметим: поскольку мы решаем задачу предсказания новых дружб, те пары пользователей, которые уже дружат на момент T , учитывать не нужно ни на обучении, ни на применении.

В конечном счёте мы получаем датасет следующего вида:

• для каждой пары пользователей u и v , а также их общего друга c , посчитаны признаки по эго-графу c ;
• пара пользователей u и v встречается в датасете ровно столько раз, сколько у них общих друзей;
• все пары пользователей в датасете не являются друзьями на момент времени T ;
• для каждой пары u и v проставлена метка — подружились ли они в течение определённого промежутка времени начиная с T .

По такому датасету мы и будем обучать нашу меру ez_c . В качестве модели выбрали градиентный бустинг с pairwise функцией потерь, где идентификатором группы выступает пользователь u .
По сути, мера ez_c(u, v) определяется как предсказание описанной выше модели. Но есть один нюанс: при pairwise-обучении распределение предсказаний модели похоже на нормальное. Поэтому, если в качестве определения меры ez_c(u, v) взять «сырое» предсказание, может возникнуть ситуация, когда мы будем штрафовать финальную меру E(u, v) за общих друзей, так как значения предсказаний бывают отрицательными. Это выглядит не совсем логично — хочется, чтобы с ростом числа общих друзей мера E(u, v) не убывала. Так что поверх предсказания модели мы решили взять экспоненту:

Такой подход хорошо себя показывает на небольших графах. Но чтобы применить его на реальных данных, необходимо выполнить ещё одно действие. Суть проблемы такая: мы не можем вычислять признаки и применять модель для каждой пары пользователей всех эго-графов — это слишком долго. Для решения мы придумали специальный трюк. Представим, что наш градиентный бустинг обучился таким образом, что каждое дерево использует признаки только одного пользователя: либо u , либо v . Тогда мы могли бы разделить весь ансамбль на две группы: к группе A мы бы отнесли деревья, которые используют только признаки пользователя u , к B — пользователя v . Предсказание такой модели можно представить в виде:

Имея такую модель, мы могли бы получить предсказания для всех пар пользователей одного эго-графа быстрее. Достаточно применить модели A и B для каждого пользователя, а затем сложить соответствующие парам предсказания. Таким образом, для эго-графа из n вершин мы могли бы сократить число применений модели с O(n^2) до O(n) . Но как получить такую модель, каждое дерево которой зависит только от одного пользователя? Для этого сделаем следующее:

1. Исключим из датасета все признаки, которые одновременно зависят и от u и от v . Например, от признака «число общих друзей u и v внутри эго-графа c » придётся отказаться.
2. Обучим модель A , используя только признаки на базе u , c и эго-графа c .
3. Для обучения модели B оставим только признаки на базе v , c и эго-графа c . Также в качестве базовых предсказаний передадим предсказания модели A .

Если объединим модели A и B , получим то что нужно: первая часть использует признаки u , вторая — признаки v . Совокупность моделей осмысленна, поскольку B была обучена «корректировать» предсказания A . Эта оптимизация позволяет ускорить вычисления в сотни раз и делает подход применимым на практике. Финальный вид ez_c(u, v) и E(u, v) выглядит так:

Вычисление меры E в онлайне

Заметим, что E(u, v) можно представить в виде:

Эта формула — скалярное произведение разреженных векторов, индексами которых являются пользователи, а значениями — экспоненты предсказаний модели. Ненулевые значения здесь проставлены только у друзей u — по сути это просто списки друзей с дополнительными значениями.

При построении рекомендаций мы уже вычислили предсказания моделей для всех существующих дружб. Поэтому для каждого пользователя мы можем собрать векторы и сложить их в доступное онлайн key-value хранилище. После этого сможем получать значение E(u, v) для любой пары пользователей в онлайне простой операцией перемножения векторов. Это даёт возможность использовать E(u, v) как лёгкую функцию релевантности в нагруженных местах либо как дополнительный признак финальной модели ранжирования.

Итог

В результате система EGOML позволяет:

1. Распределённо отбирать кандидатов для каждого пользователя в офлайне. Асимптотическая сложность оптимизированного алгоритма составляет O(|E|) вычислений признаков и применений модели, где |E| — число связей в графе. На кластере из 250 воркеров время работы алгоритма составляет около двух часов.
2. Быстро вычислять меру релевантности E(u, v) для любой пары пользователей в онлайне. Асимптотическая сложность операции O(|N(u)| + |N(v)|) .
3. Улучшать качество рекомендаций, расширяя количество учтённых графов (по дружбам, скрытиям рекомендаций, отправленным сообщениям и другим графам) и добавляя всевозможные метки на рёбра и вершины. Например, интенсивность взаимодействий на ребре, дату образования ребра, город, место работы или учёбы пользователя.

В конечном счёте мы перешли со способа отбора кандидатов с использованием Adamic/Adar к системе EGOML и внедрили в модель второй уровень признаков на основе меры E(u, v) . И это позволило увеличить количество подтверждённых дружб со всей платформы на несколько десятков процентов.

Благодарность

Хочу сказать спасибо руководителю команды Core ML Андрею Якушеву за помощь в разработке метода и подготовке статьи, а также всей команде Core ML — за поддержку на разных этапах этой работы.

• машинное
• рекомендательные системы
• bigdata
• алгоритмы
• link prediction problem
• mapreduce
• графы
• рекомендации
• социальный граф

Источник: habr.com

Главная

Возможные друзья Вконтакте – нужная или ненужная функция?

Вопрос очень интересный. Дело в том, что с появлением этой функции всех нас с вами поделили на две группы. Одни – те, кто одобряет данное новшество, другие – те, кому эта функция в принципе не нужна. Так что же это такое: возможные друзья Вконтакте?

Возможные друзья Вконтакте

Во-первых, нужно начать с того, что когда вы регистрируетесь, вы преследуете какую-то цель. То ли вы хотите действительно общаться посредством социальной сети, то ли вы хотите просто посмотреть чьи-то фотографии, выложенные именно на страницах Вконтакте, а возможно, вы и сами не знаете до конца, зачем вам это нужно. В любом случае, регистрация пройдена, о себе вы уже рассказали миру и себя хорошего показали.

Принцип, по которому показываются возможные друзья Вконтакте

Администраторы и разработчики свою зарплату получают не зря. Они максимально делают удобным общение, обмен информацией посредством сети Вконтакте. Постоянно появляются новые функции и возможности. Так вот кнопочка возможные друзья Вконтакте позволяет вам посмотреть, а может вы забыли или просто не смогли найти кого-то, с кем хотели бы общаться или общались раньше.

По какому принципу работает эта кнопочка? Предположений много, достоверный ответ известен только разработчикам. Но, скорее всего, в список ваших возможных друзей попадают люди, которые уже числятся друзьями у ваших друзей. То есть, если вы, допустим, учились вместе в одном учебном заведении и окончили его в один год, то такие люди будут вам показаны при нажатии на данную ссылку. Если какой-то человек находится в друзьях у нескольких ваших знакомых, причем более чем у одного или двух, то он также будет в данном списке.
Разработчики позаботились о том, чтобы выбор возможных друзей был максимально большим, есть кнопка «показать других». Но многие, сколько не нажимали на нее, постоянно получали одних и тех же только в другом порядке. Кому-то повезло больше, он получил в данном списке практически всех своих знакомых. Где-то говорится, даже от 95 % вероятности попадания. А у кого-то ни одного совпадения, то есть в список попали все «левые» люди.
Конечно, функция полезная. Только ей нужна, наверно, небольшая доработка, корректировка. Ведь существуют странички, на которых список друзей скрыт от просмотра. Как с ними быть? Они думают, что скрылись от всех, а на самом деле нет. Система все равно учитывает их скрытых друзей, когда фильтрует и взвешивает результаты «Возможные друзья». Над этим надо подумать.

Многие воспринимают это новшество в штыки по тому, что слишком буквально понимают слово «друзья». В большинстве своем с друзьями мы общаемся вживую, а не через социальные сети. Может быть, стоило бы назвать эту функцию «возможные знакомые», критики бы меньше было.

Источник: f1-vkontakte.ru