論文の概要: Propagation-aware Social Recommendation by Transfer Learning
- arxiv url: http://arxiv.org/abs/2107.04846v1
- Date: Sat, 10 Jul 2021 14:21:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 07:44:24.176109
- Title: Propagation-aware Social Recommendation by Transfer Learning
- Title（参考訳）: 伝達学習による伝播認識型ソーシャルレコメンデーション
- Authors: Haodong Chang and Yabo Chu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Social-aware recommendation approaches have been recognized as an effective
way to solve the data sparsity issue of traditional recommender systems. The
assumption behind is that the knowledge in social user-user connections can be
shared and transferred to the domain of user-item interactions, whereby to help
learn user preferences. However, most existing approaches merely adopt the
first-order connections among users during transfer learning, ignoring those
connections in higher orders. We argue that better recommendation performance
can also benefit from high-order social relations. In this paper, we propose a
novel Propagation-aware Transfer Learning Network (PTLN) based on the
propagation of social relations. We aim to better mine the sharing knowledge
hidden in social networks and thus further improve recommendation performance.
Specifically, we explore social influence in two aspects: (a) higher-order
friends have been taken into consideration by order bias; (b) different friends
in the same order will have distinct importance for recommendation by an
attention mechanism. Besides, we design a novel regularization to bridge the
gap between social relations and user-item interactions. We conduct extensive
experiments on two real-world datasets and beat other counterparts in terms of
ranking accuracy, especially for the cold-start users with few historical
interactions.
- Abstract（参考訳）: ソーシャル・アウェア・レコメンデーションのアプローチは、従来のレコメンデーションシステムのデータスパーシティ問題を解決する効果的な方法として認識されてきた。
背景にある前提は、ソーシャルユーザ-ユーザ接続の知識を共有して、ユーザ-テーマインタラクションのドメインに転送することで、ユーザの好みの学習を支援する、というものだ。
しかし、既存のアプローチのほとんどは、転送学習中にユーザ間の1次接続を採用するだけで、それらの接続をより高い順序で無視する。
より優れたレコメンデーションパフォーマンスは、高次の社会関係の恩恵を受けることができると我々は主張する。
本稿では,社会関係の伝播に基づくPTLN(Propagation-Aware Transfer Learning Network)を提案する。
我々は、ソーシャルネットワークに隠された共有知識をよりよく掘り下げ、レコメンデーションパフォーマンスをさらに向上させることを目指している。
特に、社会的影響について2つの側面から検討する: (a) 上位の友人は秩序バイアスによって考慮されている; (b) 同じ順番の異なる友人は、注意のメカニズムによる推薦に対して明らかに重要である。
さらに,ソーシャルリレーションとユーザ・テーマ間インタラクションのギャップを埋めるために,新たな正規化をデザインする。
2つの実世界のデータセットについて広範な実験を行い、特に歴史的な相互作用が少ないコールドスタートユーザーに対して、ランキングの正確性という点で他のデータセットを上回ります。
関連論文リスト
- Incorporating Like-Minded Peers to Overcome Friend Data Sparsity in Session-Based Social Recommendations [27.10643133940311]
本稿では,LMPの概念を紹介する。
LMPは、履歴セッションに基づいて、対象ユーザの現在のセッションと好みが一致したユーザを表す。
このアプローチは、友人データのスパシティの問題を軽減するだけでなく、ターゲットのユーザと同じような好みのユーザを効果的に組み込む。
論文 参考訳（メタデータ） (2024-09-04T13:39:12Z) - 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) - Learning Social Graph for Inactive User Recommendation [50.090904659803854]
LSIRはソーシャルレコメンデーションのための最適なソーシャルグラフ構造を学習する。
実世界のデータセットの実験では、LSIRはNDCGで最大129.58%の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-05-08T03:40:36Z) - 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) - 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) - Disentangled Contrastive Learning for Social Recommendation [28.606016662435117]
社会的レコメンデーションは、社会的関係を利用して、レコメンデーションのための表現学習を強化する。
本稿では,ソーシャルレコメンデーションDcRecのための新しいコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-18T09:15:18Z) - 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) - Harnessing the Power of Ego Network Layers for Link Prediction in Online
Social Networks [0.734084539365505]
予測は典型的には教師なしまたは教師なしの学習に基づいている。
個人の社会的構造に関するより豊かな情報は、より良い予測につながるかもしれないと我々は主張する。
社会的認識が予測性能に大きな改善をもたらすことを示す。
論文 参考訳（メタデータ） (2021-09-19T18:49:10Z) - 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) - 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。