論文の概要: Disentangled Contrastive Learning for Social Recommendation

• arxiv url: http://arxiv.org/abs/2208.08723v1
• Date: Thu, 18 Aug 2022 09:15:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-19 13:57:29.306107
• Title: Disentangled Contrastive Learning 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異形コントラスト学習
• Authors: Jiahao Wu, Wenqi Fan, Jingfan Chen, Shengcai Liu, Qing Li, Ke Tang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 29.35263634602022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social recommendations utilize social relations to enhance the representation learning for recommendations. Most social recommendation models unify user representations for the user-item interactions (collaborative domain) and social relations (social domain). However, such an approach may fail to model the users heterogeneous behavior patterns in two domains, impairing the expressiveness of user representations. In this work, to address such limitation, we propose a novel Disentangled contrastive learning framework for social Recommendations DcRec. More specifically, we propose to learn disentangled users representations from the item and social domains. Moreover, disentangled contrastive learning is designed to perform knowledge transfer between disentangled users representations for social recommendations. Comprehensive experiments on various real-world datasets demonstrate the superiority of our proposed model.
• Abstract（参考訳）: 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表現学習を強化する。 ほとんどのソーシャルレコメンデーションモデルは、ユーザとイテムの相互作用(協調ドメイン)と社会的関係(社会ドメイン)を統一する。 しかし、このようなアプローチでは2つのドメインで不均一な動作パターンをモデル化できず、ユーザ表現の表現性が損なわれる可能性がある。 本研究では,このような制限に対処する上で,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。 より具体的には、アイテムとソーシャルドメインから絡み合ったユーザー表現を学ぶことを提案する。 また,ソーシャルレコメンデーションのために,異種ユーザ間の知識伝達を行うために,異種コントラスト学習が設計されている。 各種実世界のデータセットに関する総合実験により,提案モデルの有効性が示された。

関連論文リスト

• Leave No One Behind: Enhancing Diversity While Maintaining Accuracy in Social Recommendation [20.558363246784815]
  ソーシャルレコメンデーションは、ソーシャル接続情報を利用してレコメンデーションシステムを構築するアルゴリズムの一分野である。 本研究では,既存のソーシャルレコメンデーションアルゴリズムの2つの性能について,精度と多様性の観点から検討する。 多様性社会勧告(Diversified Social Recommendation, DivSR)と呼ばれる新しいアプローチを提案する。 DivSRは、既存のソーシャルレコメンデーションアーキテクチャとシームレスに統合されるシンプルなモデルに依存しないフレームワークとして設計されている。
  論文  参考訳（メタデータ） (2025-02-17T02:41:11Z)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Score-based Generative Diffusion Models for Social Recommendations [24.373323217763634]
  社会的レコメンデーションの有効性は、社会的ホモフィリの仮定に大きく依存している。 本稿では、革新的生成の観点から、社会的ホモフィリーの低い課題に取り組む。
  論文  参考訳（メタデータ） (2024-12-20T05:23:45Z)
• RecDiff: Diffusion Model for Social Recommendation [14.514770044236375]
  リコメンデーションのための新しい拡散型ソーシャルデノベーションフレームワーク(RecDiff)を提案する。 マルチステップノイズ拡散と除去を行うことにより、RecDiffは、符号化されたユーザ表現からノイズを識別および除去する堅牢な能力を有する。 その結果, 推薦精度, 訓練効率, 聴覚効果の面で優位性を示した。
  論文  参考訳（メタデータ） (2024-06-01T10:20:52Z)
• 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)
• Representation Learning with Large Language Models for Recommendation [33.040389989173825]
  本稿では,大規模言語モデル (LLM) を用いた表現学習によるレコメンデータの強化を目的とした,モデルに依存しないフレームワーク RLMRec を提案する。 RLMRecには補助的なテキスト信号が組み込まれており、LLMが権限を持つユーザ/イテムプロファイリングパラダイムを開発し、LLMの意味空間と協調的関係信号の表現空間を整合させる。
  論文  参考訳（メタデータ） (2023-10-24T15:51:13Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
  ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。 我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
  論文  参考訳（メタデータ） (2022-02-05T09:24:13Z)
• 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)
• HSR: Hyperbolic Social Recommender [3.788467660629549]
  本稿では,ハイパボリック・ソーシャル・レコメンデーション・フレームワークであるHyperbolic Social Recommender(HSR)を紹介した。 HSRは高品質なユーザとアイテムの表現を学習し、ユーザ-イテムインタラクションとユーザ-ユーザ関係をモデル化する。 提案したHSRは,クリックスルー率予測とトップKレコメンデーションにおいて,ユークリッドと最先端のソーシャルレコメンデーションよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-15T12:09:46Z)

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。