論文の概要: IDVT: Interest-aware Denoising and View-guided Tuning for Social
Recommendation
- arxiv url: http://arxiv.org/abs/2308.15926v1
- Date: Wed, 30 Aug 2023 10:03:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 13:43:10.661179
- Title: IDVT: Interest-aware Denoising and View-guided Tuning for Social
Recommendation
- Title(参考訳): IDVT:ソーシャルレコメンデーションのための関心ある認知的認知とビュー誘導チューニング
- Authors: Dezhao Yang, Jianghong Ma, Shanshan Feng, Haijun Zhang, Zhao Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 27.357199827776988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the information age, recommendation systems are vital for efficiently
filtering information and identifying user preferences. Online social platforms
have enriched these systems by providing valuable auxiliary information.
Socially connected users are assumed to share similar preferences, enhancing
recommendation accuracy and addressing cold start issues. However, empirical
findings challenge the assumption, revealing that certain social connections
can actually harm system performance. Our statistical analysis indicates a
significant amount of noise in the social network, where many socially
connected users do not share common interests. To address this issue, we
propose an innovative \underline{I}nterest-aware \underline{D}enoising and
\underline{V}iew-guided \underline{T}uning (IDVT) method for the social
recommendation. The first ID part effectively denoises social connections.
Specifically, the denoising process considers both social network structure and
user interaction interests in a global view. Moreover, in this global view, we
also integrate denoised social information (social domain) into the propagation
of the user-item interactions (collaborative domain) and aggregate user
representations from two domains using a gating mechanism. To tackle potential
user interest loss and enhance model robustness within the global view, our
second VT part introduces two additional views (local view and dropout-enhanced
view) for fine-tuning user representations in the global view through
contrastive learning. Extensive evaluations on real-world datasets with varying
noise ratios demonstrate the superiority of IDVT over state-of-the-art social
recommendation methods.
- Abstract(参考訳): 情報時代のレコメンデーションシステムは,情報のフィルタリングやユーザの好みの特定に不可欠である。
オンラインソーシャルプラットフォームは、貴重な補助情報を提供することで、これらのシステムを強化してきた。
ソーシャルに繋がったユーザーは、同様の好みを共有し、推奨精度を高め、コールドスタート問題に対処すると仮定される。
しかし、実証的な発見は、特定の社会的つながりがシステムのパフォーマンスを実際に損なう可能性があることを明らかにし、この仮定に挑戦する。
統計分析の結果,ソーシャルに繋がるユーザの多くが共通の関心を持っていないソーシャルネットワークでは,かなりのノイズが発生していることがわかった。
この問題に対処するために,社会レコメンデーションのための革新的な \underline{I}nterest-aware \underline{D}enoising と \underline{V}ieded \underline{T}uning (IDVT) 手法を提案する。
第1のID部は、社会的つながりを効果的に認知する。
具体的には、ソーシャルネットワークの構造とユーザインタラクションの利害関係をグローバルな視点で考察する。
さらに,このグローバル・ビューでは,分別化されたソーシャル・情報(ソーシャル・ドメイン)を,ユーザ・テーマ間インタラクション(協調的ドメイン)の伝播と,ゲーティング・メカニズムを用いた2つのドメインからのユーザ表現の集約にも統合する。
第2のvtパートでは,グローバルビューにおけるユーザ表現をコントラスト学習によって微調整するための2つのビュー(ローカルビューとドロップアウト強調ビュー)を導入しています。
ノイズ比の異なる実世界のデータセットに対する広範囲な評価は、最先端の社会的レコメンデーション手法よりもIDVTの方が優れていることを示す。
関連論文リスト
- 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) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳(メタデータ) (2022-09-12T09:19:22Z) - 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) - 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) - Global Context Enhanced Social Recommendation with Hierarchical Graph
Neural Networks [29.82196381724099]
階層型グラフニューラルネットワーク(SR-HGNN)を用いた新しいソーシャルレコメンデーションフレームワークを提案する。
特に,リレーショナル・アウェア・グラフ・ニューラルネットを設計し,コラボレーティブ・セマンティクスをレコメンデーション・フレームワークに注入する。
さらに、低レベルのユーザ埋め込みと高レベルのグローバル表現の相互情報学習パラダイムに基づいて、社会関係エンコーダを用いたSR-HGNNをさらに強化する。
論文 参考訳(メタデータ) (2021-10-08T11:26:04Z) - Extracting Attentive Social Temporal Excitation for Sequential
Recommendation [20.51029646194531]
我々は、ソーシャル・テンポラル・エキサイティング・ネットワーク(STEN)と呼ばれる、時間対応のシーケンシャル・レコメンデーション・フレームワークを提案する。
STENは、友人の行動がユーザの動的興味に与えるきめ細かな影響をモデル化するために、時間的ポイントプロセスを導入する。
STENは、イベントレベルのレコメンデーションの説明可能性を提供する。
論文 参考訳(メタデータ) (2021-09-28T07:39:31Z) - 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) - 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。