論文の概要: Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias

• arxiv url: http://arxiv.org/abs/2405.16772v1
• Date: Mon, 27 May 2024 02:45:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 19:16:00.323755
• Title: Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias
• Title（参考訳）: ソーシャルネットワークによるユーザ嗜好のバランスをとる: 人気バイアスを緩和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
• Authors: Xin He, Wenqi Fan, Ruobing Wang, Yili Wang, Ying Wang, Shirui Pan, Xin Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.73474454254105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social recommendation models weave social interactions into their design to provide uniquely personalized recommendation results for users. However, social networks not only amplify the popularity bias in recommendation models, resulting in more frequent recommendation of hot items and fewer long-tail items, but also include a substantial amount of redundant information that is essentially meaningless for the model's performance. Existing social recommendation models fail to address the issues of popularity bias and the redundancy of social information, as they directly characterize social influence across the entire social network without making targeted adjustments. In this paper, we propose a Condition-Guided Social Recommendation Model (named CGSoRec) to mitigate the model's popularity bias by denoising the social network and adjusting the weights of user's social preferences. More specifically, CGSoRec first includes a Condition-Guided Social Denoising Model (CSD) to remove redundant social relations in the social network for capturing users' social preferences with items more precisely. Then, CGSoRec calculates users' social preferences based on denoised social network and adjusts the weights in users' social preferences to make them can counteract the popularity bias present in the recommendation model. At last, CGSoRec includes a Condition-Guided Diffusion Recommendation Model (CGD) to introduce the adjusted social preferences as conditions to control the recommendation results for a debiased direction. Comprehensive experiments on three real-world datasets demonstrate the effectiveness of our proposed method. The code is in: https://github.com/hexin5515/CGSoRec.
• Abstract（参考訳）: 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。 しかし、ソーシャルネットワークはレコメンデーションモデルにおける人気バイアスを増幅するだけでなく、ホットアイテムの推薦が頻繁になり、ロングテールアイテムが少なくなるだけでなく、モデルのパフォーマンスにとって本質的に意味のない大量の冗長情報も含んでいる。 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,ソーシャルネットワークを軽視し,ユーザの社会的嗜好の重みを調整することで,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。 より具体的には、CGSoRecはまず条件付きソーシャル・デノーミング・モデル(CSD)を含み、ソーシャルネットワーク内の冗長な社会的関係を取り除き、より正確にアイテムでユーザーの社会的嗜好をキャプチャする。 そして、CGSoRecは、識別されたソーシャルネットワークに基づいてユーザの社会的嗜好を計算し、ユーザの社会的嗜好の重みを調整し、レコメンデーションモデルに存在する人気バイアスに対処できるようにする。 最後に、CGSoRecには条件誘導拡散勧告モデル(CGD)が含まれており、調整された社会的嗜好を、偏りのある方向の推奨結果を制御する条件として導入する。 実世界の3つのデータセットに関する総合実験により,提案手法の有効性を実証した。 コードは https://github.com/hexin5515/CGSoRec.org にある。

関連論文リスト

• 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)
• 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)
• Causal Disentanglement for Regulating Social Influence Bias in Social Recommendation [12.120586712440673]
  ソーシャルレコメンデーションシステムは、社会的影響バイアスの問題に直面しており、友人が交流したアイテムの推薦に過大評価される可能性がある。 本稿では,CDRSBというソーシャルレコメンデーションにおけるソーシャルインフルエントバイアスの規制のための因果ディスタングルに基づくフレームワークを提案し,レコメンデーション性能の向上を図る。
  論文  参考訳（メタデータ） (2024-03-06T09:48:48Z)
• Social Reward: Evaluating and Enhancing Generative AI through Million-User Feedback from an Online Creative Community [63.949893724058846]
  コミュニティ認識の一形態としての社会的報酬は、オンラインプラットフォームのユーザーがコンテンツに関わり、貢献する動機の強い源泉となる。 この作業はパラダイムシフトの先駆者であり、革新的な報酬モデリングフレームワークであるSocial Rewardを発表した。 私たちは、オンラインビジュアル作成と編集プラットフォームであるPicsartから、データセットのキュレーションと洗練の広範な旅に乗り出した。
  論文  参考訳（メタデータ） (2024-02-15T10:56:31Z)
• 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)
• 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)
• 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)
• 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)
• SocialTrans: A Deep Sequential Model with Social Information for Web-Scale Recommendation Systems [29.24459965940855]
  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。
  論文  参考訳（メタデータ） (2020-05-09T03:39:45Z)
• 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。