論文の概要: DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation

• arxiv url: http://arxiv.org/abs/2002.00844v4
• Date: Tue, 5 Jan 2021 09:34:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 06:13:32.598358
• Title: DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation
• Title（参考訳）: DiffNet++: ソーシャルレコメンデーションのための神経的影響と関心拡散ネットワーク
• Authors: Le Wu, Junwei Li, Peijie Sun, Richang Hong, Yong Ge, Meng Wang
• Abstract要約: ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
• 参考スコア（独自算出の注目度）: 50.08581302050378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social recommendation has emerged to leverage social connections among users for predicting users' unknown preferences, which could alleviate the data sparsity issue in collaborative filtering based recommendation. Early approaches relied on utilizing each user's first-order social neighbors' interests for better user modeling and failed to model the social influence diffusion process from the global social network structure. Recently, we propose a preliminary work of a neural influence diffusion network (i.e., DiffNet) for social recommendation (Diffnet), which models the recursive social diffusion process to capture the higher-order relationships for each user. However, we argue that, as users play a central role in both user-user social network and user-item interest network, only modeling the influence diffusion process in the social network would neglect the users' latent collaborative interests in the user-item interest network. In this paper, we propose DiffNet++, an improved algorithm of DiffNet that models the neural influence diffusion and interest diffusion in a unified framework. By reformulating the social recommendation as a heterogeneous graph with social network and interest network as input, DiffNet++ advances DiffNet by injecting these two network information for user embedding learning at the same time. This is achieved by iteratively aggregating each user's embedding from three aspects: the user's previous embedding, the influence aggregation of social neighbors from the social network, and the interest aggregation of item neighbors from the user-item interest network. Furthermore, we design a multi-level attention network that learns how to attentively aggregate user embeddings from these three aspects. Finally, extensive experimental results on two real-world datasets clearly show the effectiveness of our proposed model.
• Abstract（参考訳）: ソーシャルリコメンデーション(social recommendation)は、ユーザの未知の好みを予測するために、ユーザ間のソーシャルなつながりを活用するために登場し、協調フィルタリングベースのレコメンデーションにおけるデータのスパーシティの問題を軽減する可能性がある。 初期のアプローチでは、各ユーザのファーストオーダーのソーシャル隣人の興味をより良いユーザーモデリングに活用することに頼り、グローバルなソーシャルネットワーク構造からの社会的影響拡散プロセスのモデル化に失敗した。 近年,ソーシャルレコメンデーション(Diffnet)のための神経影響拡散ネットワーク(DiffNet)の予備研究が提案されている。 しかし,ユーザがユーザ・ユーザ・関心ネットワークとユーザ・関心ネットワークの両方において中心的な役割を担っているため,ソーシャルネットワークにおける影響拡散過程をモデル化するだけでは,ユーザ・関心ネットワークにおけるユーザの潜在的協力的関心を無視する,と論じる。 本稿では,統一フレームワークにおける神経影響の拡散と興味の拡散をモデル化するdiffnetのアルゴリズムであるdiffnet++を提案する。 ソーシャルレコメンデーションをソーシャルネットワークと関心ネットワークを入力としてヘテロジニアスグラフとして再構成することで、diffnet++はこれら2つのネットワーク情報をユーザ埋め込み学習に同時に注入することでdiffnetを前進させる。 これは、ユーザの以前の埋め込み、ソーシャルネットワークからのソーシャル隣人の影響力集約、ユーザ関心ネットワークからのアイテム隣人の関心集約の3つの側面から、ユーザの埋め込みを反復的に集約することで達成される。 さらに,これら3つの側面からユーザの埋め込みを注意深く集約する方法を学ぶマルチレベルアテンションネットワークを設計する。 最後に、2つの実世界のデータセットに対する広範な実験結果から,提案モデルの有効性が明らかとなった。

関連論文リスト

• Social-LLM: Modeling User Behavior at Scale using Language Models and Social Network Data [13.660150473547766]
  本稿では,ユーザ検出タスクにおけるソーシャルネットワークデータのモデリングに適した新しいアプローチを提案する。 提案手法は,局所的なソーシャルネットワークのインタラクションを,大規模言語モデルの能力と統合する。 実世界の7つのソーシャル・ネットワーク・データセットにまたがって、我々の手法を徹底的に評価する。
  論文  参考訳（メタデータ） (2023-12-31T05:13:13Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• IDVT: Interest-aware Denoising and View-guided Tuning for Social Recommendation [25.499653256726926]
  ソーシャル接続されたユーザは、同様の好みを共有し、レコメンデーションの精度を高め、コールドスタートの問題に対処することが想定される。 我々の統計分析は、多くのソーシャル・コネクテッド・ユーザーが共通の関心を共有していないソーシャルネットワークにおいて、かなりの量のノイズを示唆している。 ソーシャルレコメンデーションのための革新的なアンダーラインインタレストアウェアアンダーラインデノイングとアンダーラインビュー誘導アンダーラインタニング(IDVT)手法を提案する。
  論文  参考訳（メタデータ） (2023-08-30T10:03:55Z)
• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)
• Knowledge-aware Coupled Graph Neural Network for Social Recommendation [29.648300580880683]
  我々は、アイテムやユーザ間で依存する知識をレコメンデーションフレームワークに注入する知識認識結合グラフニューラルネットワーク(KCGN)を提案する。 KCGNは,グローバルグラフ構造認識のための相互情報を活用することにより,高次ユーザ・アイテム関係符号化を実現する。 さらに、動的マルチタイプユーザ-イテム対話パターンをキャプチャする機能により、KCGNをさらに強化する。
  論文  参考訳（メタデータ） (2021-10-08T09:13:51Z)
• Inf-VAE: A Variational Autoencoder Framework to Integrate Homophily and Influence in Diffusion Prediction [31.420391287068846]
  本稿では,近距離保存型ソーシャルおよび位置符号化型潜伏変数を通じて,ホモフィリと影響を共同で埋め込む新しい変分オートエンコーダフレームワーク(Inf-VAE)を提案する。 Inf-VAEにおけるDigg, Weibo, Stack-Exchangesなど,複数の実世界のソーシャルネットワークデータセットに対する実験結果から,最先端拡散予測モデルよりも大きな利益(22% MAP@10)が得られた。
  論文  参考訳（メタデータ） (2020-01-01T03:35:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。