論文の概要: Dual Side Deep Context-aware Modulation for Social Recommendation
- arxiv url: http://arxiv.org/abs/2103.08976v1
- Date: Tue, 16 Mar 2021 11:08:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 13:20:45.197085
- Title: Dual Side Deep Context-aware Modulation for Social Recommendation
- Title(参考訳): ソーシャルレコメンデーションのためのデュアルサイドディープコンテキスト制御
- Authors: Bairan Fu and Wenming Zhang and Guangneng Hu and Xinyu Dai and Shujian
Huang and Jiajun Chen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 50.59008227281762
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social recommendation is effective in improving the recommendation
performance by leveraging social relations from online social networking
platforms. Social relations among users provide friends' information for
modeling users' interest in candidate items and help items expose to potential
consumers (i.e., item attraction). However, there are two issues haven't been
well-studied: Firstly, for the user interests, existing methods typically
aggregate friends' information contextualized on the candidate item only, and
this shallow context-aware aggregation makes them suffer from the limited
friends' information. Secondly, for the item attraction, if the item's past
consumers are the friends of or have a similar consumption habit to the
targeted user, the item may be more attractive to the targeted user, but most
existing methods neglect the relation enhanced context-aware item attraction.
To address the above issues, we proposed DICER (Dual Side Deep Context-aware
Modulation for SocialRecommendation). Specifically, we first proposed a novel
graph neural network to model the social relation and collaborative relation,
and on top of high-order relations, a dual side deep context-aware modulation
is introduced to capture the friends' information and item attraction.
Empirical results on two real-world datasets show the effectiveness of the
proposed model and further experiments are conducted to help understand how the
dual context-aware modulation works.
- Abstract(参考訳): ソーシャルレコメンデーションは、オンラインソーシャルネットワーキングプラットフォームからソーシャル関係を活用することで、レコメンデーションのパフォーマンスを向上させるのに有効である。
ユーザ間の社会的関係は、候補アイテムに対するユーザの関心をモデル化するための友人の情報を提供し、潜在的な消費者(アイテムアトラクション)に露出するアイテムを支援する。
第一に、既存のメソッドは通常、候補アイテムにのみコンテキスト化された友人の情報を収集し、この浅いコンテキスト認識集約は、限られた友人の情報に悩まされる。
第2に、アイテムアトラクションにおいて、過去の消費者がターゲットユーザと類似した消費習慣を持っている場合、ターゲットユーザにとってより魅力的なものとなるが、既存の手法のほとんどは、関連性を高めたコンテキスト対応アイテムアトラクションを無視している。
そこで我々はdicer (dual side deep context-aware modulation for socialrecommendation) を提案する。
具体的には、まず、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し、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。
2つの実世界のデータセットにおける実験結果は,提案モデルの有効性を示し,双対文脈認識変調の動作を理解するためのさらなる実験を行った。
関連論文リスト
- IDVT: Interest-aware Denoising and View-guided Tuning for Social
Recommendation [27.357199827776988]
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) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳(メタデータ) (2022-05-09T10:47:15Z) - Causal Disentanglement with Network Information for Debiased
Recommendations [34.698181166037564]
近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。
この設定における重要な課題は、隠れた共同設立者を説明することだ。
我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
論文 参考訳(メタデータ) (2022-04-14T20:55:11Z) - Leveraging Social Influence based on Users Activity Centers for
Point-of-Interest Recommendation [2.896192909215469]
明示的な友情ネットワークとユーザ間の高いチェックインオーバラップに基づく2段階の友情を導入する。
その結果,提案手法は2つの実世界のデータセットにおいて最先端のモデルよりも優れていた。
論文 参考訳(メタデータ) (2022-01-10T16:46:27Z) - Personalized multi-faceted trust modeling to determine trust links in
social media and its potential for misinformation management [61.88858330222619]
ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。
本稿では,データ駆動型多面信頼モデルを提案する。
信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
論文 参考訳(メタデータ) (2021-11-11T19:40:51Z) - 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) - Using Social Media Background to Improve Cold-start Recommendation Deep
Models [8.444156978118087]
本稿では,ソーシャルメディアの背景を余分な文脈情報として利用してレコメンデーションモデルを改善することができるかどうかを検討する。
既存のディープニューラルネットワークモデルに基づいて,ソーシャルメディアの背景を埋め込みとして表現する方法を提案する。
その結果,既存のモデルとソーシャルメディアの背景を融合させる手法は,一般的にレコメンデーション性能を向上させることが示唆された。
論文 参考訳(メタデータ) (2021-06-04T04:46:29Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳(メタデータ) (2021-01-08T04:16:24Z) - Personalized Fashion Recommendation from Personal Social Media Data: An
Item-to-Set Metric Learning Approach [71.63618051547144]
ソーシャルメディアデータからパーソナライズされたファッションレコメンデーションの問題について検討する。
本稿では,ユーザの過去のファッションアイテムと新しいファッションアイテムとの類似性を学習する,アイテムツーセットのメトリック学習フレームワークを提案する。
提案手法の有効性を検証するために,実世界のソーシャルメディアデータセットを収集する。
論文 参考訳(メタデータ) (2020-05-25T23:24:24Z) - 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。