論文の概要: SocialTrans: A Deep Sequential Model with Social Information for Web-Scale Recommendation Systems

• arxiv url: http://arxiv.org/abs/2005.04361v1
• Date: Sat, 9 May 2020 03:39:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 07:16:09.063675
• Title: SocialTrans: A Deep Sequential Model with Social Information for Web-Scale Recommendation Systems
• Title（参考訳）: socialtrans: webスケールレコメンデーションシステムのためのソーシャル情報を用いた深層シーケンシャルモデル
• Authors: Qiaoan Chen, Hao Gu, Lingling Yi, Yishi Lin, Peng He, Chuan Chen, Yangqiu Song
• Abstract要約: 本稿では,ソーシャルレコメンデーションのための新しい深層学習モデルSocialTransを提案する。 最初のモジュールは、ユーザの個人的な好みをモデル化する多層トランスフォーマーに基づいている。 第2のモジュールは多層グラフアテンションニューラルネットワーク(GAT)であり、ソーシャルネットワーク内の友人間の社会的影響の強さをモデル化するために使用される。 最後のモジュールは、ユーザの個人的な好みと社会的に影響された好みをマージし、レコメンデーションを生成する。
• 参考スコア（独自算出の注目度）: 29.24459965940855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: On social network platforms, a user's behavior is based on his/her personal interests, or influenced by his/her friends. In the literature, it is common to model either users' personal preference or their socially influenced preference. In this paper, we present a novel deep learning model SocialTrans for social recommendations to integrate these two types of preferences. SocialTrans is composed of three modules. The first module is based on a multi-layer Transformer to model users' personal preference. The second module is a multi-layer graph attention neural network (GAT), which is used to model the social influence strengths between friends in social networks. The last module merges users' personal preference and socially influenced preference to produce recommendations. Our model can efficiently fit large-scale data and we deployed SocialTrans to a major article recommendation system in China. Experiments on three data sets verify the effectiveness of our model and show that it outperforms state-of-the-art social recommendation methods.
• Abstract（参考訳）: ソーシャルネットワークプラットフォームでは、ユーザーの行動は自分の個人的関心に基づいており、友人の影響を受けている。 文献では、利用者の個人的嗜好や社会的影響のある好みをモデル化することが一般的である。 本稿では,これら2種類の嗜好を統合するためのソーシャルレコメンデーションのための新しい深層学習モデルSocialTransを提案する。 SocialTransは3つのモジュールで構成されている。 最初のモジュールは、ユーザの個人的な好みをモデル化するマルチレイヤトランスフォーマに基づいている。 第2のモジュールは多層グラフアテンションニューラルネットワーク(GAT)であり、ソーシャルネットワーク内の友人間の社会的影響の強さをモデル化するために使用される。 最後のモジュールは、ユーザの個人的な好みと社会的影響のある好みをマージして、レコメンデーションを生成する。 当社のモデルは大規模データに効率的に適合し,中国の主要記事レコメンデーションシステムにsocialtransをデプロイした。 3つのデータセットにおける実験は,モデルの有効性を検証し,社会的なレコメンデーション手法を上回っていることを示す。

関連論文リスト

• Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach [4.138915764680197]
  本研究では,学術ソーシャルネットワークをソーシャルメディアにおけるレコメンデーションシステム調査のプロキシとして活用することを提案する。 グラフニューラルネットワーク(GNN)を用いて,学術情報圏の予測と行動予測を分離するモデルを構築する。 提案手法は,レコメンデーションシステムの役割とソーシャルネットワークのモデリングに関する理解を深めることを目的としている。
  論文  参考訳（メタデータ） (2024-10-06T17:03:27Z)
• Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias [64.73474454254105]
  ソーシャルレコメンデーションモデルは、ユーザに対してユニークなパーソナライズされたレコメンデーション結果を提供するために、ソーシャルインタラクションをデザインに織り込む。 既存のソーシャルレコメンデーションモデルは、人気バイアスや社会的情報の冗長性の問題に対処できない。 本稿では,モデルの人気バイアスを軽減するための条件付きソーシャルレコメンデーションモデル(CGSoRec)を提案する。
  論文  参考訳（メタデータ） (2024-05-27T02:45:01Z)
• 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)
• Propagation-aware Social Recommendation by Transfer Learning [0.0]
  本稿では,社会関係の伝播に基づくトランスファーラーニングネットワークを提案する。 a) 上位の友人は、順序バイアスによって考慮され、b) 同じ順序の異なる友人は、注意機構による推薦において、明確な重要性を持つ。
  論文  参考訳（メタデータ） (2021-07-10T14:21:27Z)
• Soft Attention: Does it Actually Help to Learn Social Interactions in Pedestrian Trajectory Prediction? [2.180763067449862]
  本研究では,歩行者の移動履歴と周辺歩行者の移動履歴を用いて,歩行者の将来経路を予測することの課題について考察する。 ディープラーニングは、歩行者の動きに対する社会的相互作用の影響をモデル化するための主要なツールとなっている。
  論文  参考訳（メタデータ） (2021-06-16T17:39:35Z)
• Dual Side Deep Context-aware Modulation for Social Recommendation [50.59008227281762]
  社会的関係と協調関係をモデル化する新しいグラフニューラルネットワークを提案する。 高次関係の上に、友人の情報とアイテムのアトラクションを捉えるために、双方向のコンテキスト認識変調を導入する。
  論文  参考訳（メタデータ） (2021-03-16T11:08:30Z)
• Secure Social Recommendation based on Secret Sharing [23.74692198296859]
  Facebookのようなソーシャルプラットフォームで豊富なソーシャル情報は、システムに推奨する上で有用である。 既存のレコメンデーションモデルのほとんどは、ソーシャル情報が利用可能であるという仮定に基づいて構築されている。 本稿では,ソーシャルプラットフォームから知識を共同でマイニングし,レコメンデーション性能を向上させるSEcure Social Recommendationフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T03:49:51Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  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。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。