論文の概要: RecDiff: Diffusion Model for Social Recommendation

• arxiv url: http://arxiv.org/abs/2406.01629v1
• Date: Sat, 1 Jun 2024 10:20:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 21:31:36.175140
• Title: RecDiff: Diffusion Model for Social Recommendation
• Title（参考訳）: RecDiff:ソーシャルレコメンデーションのための拡散モデル
• Authors: Zongwei Li, Lianghao Xia, Chao Huang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.514770044236375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social recommendation has emerged as a powerful approach to enhance personalized recommendations by leveraging the social connections among users, such as following and friend relations observed in online social platforms. The fundamental assumption of social recommendation is that socially-connected users exhibit homophily in their preference patterns. This means that users connected by social ties tend to have similar tastes in user-item activities, such as rating and purchasing. However, this assumption is not always valid due to the presence of irrelevant and false social ties, which can contaminate user embeddings and adversely affect recommendation accuracy. To address this challenge, we propose a novel diffusion-based social denoising framework for recommendation (RecDiff). Our approach utilizes a simple yet effective hidden-space diffusion paradigm to alleivate the noisy effect in the compressed and dense representation space. By performing multi-step noise diffusion and removal, RecDiff possesses a robust ability to identify and eliminate noise from the encoded user representations, even when the noise levels vary. The diffusion module is optimized in a downstream task-aware manner, thereby maximizing its ability to enhance the recommendation process. We conducted extensive experiments to evaluate the efficacy of our framework, and the results demonstrate its superiority in terms of recommendation accuracy, training efficiency, and denoising effectiveness. The source code for the model implementation is publicly available at: https://github.com/HKUDS/RecDiff.
• 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プラットフォームで観察されるフォローや友人関係といった、ユーザ間のソーシャルなつながりを活用することによって、パーソナライズされたレコメンデーションを強化する強力なアプローチとして現れてきた。 ソーシャルレコメンデーションの基本的な前提は、ソーシャル接続されたユーザーが好みのパターンにホモフィリーを示すことである。 これは、ソーシャルなつながりによって結びついているユーザーが、評価や購入といったユーザーイテム活動に類似した嗜好を持つ傾向にあることを意味する。 しかし、この仮定は、ユーザ埋め込みを汚染し、レコメンデーション精度に悪影響を及ぼす、無関係で偽の社会的結びつきが存在するため、必ずしも有効ではない。 この課題に対処するために,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。 提案手法は, 圧縮された高密度表現空間における雑音効果を緩和するために, 単純かつ効果的な隠れ空間拡散パラダイムを利用する。 多段階のノイズ拡散と除去を行うことにより、RecDiffは、ノイズレベルが変化しても、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。 拡散モジュールは、下流のタスク認識方法で最適化され、レコメンデーションプロセスを強化する能力を最大化する。 提案手法の有効性を評価するための広範囲な実験を行い, 提案手法の精度, 訓練効率, 騒音低減効果の観点から, その優位性を実証した。 モデル実装のソースコードは、https://github.com/HKUDS/RecDiff.comで公開されている。

関連論文リスト

• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
  本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。 本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
  論文  参考訳（メタデータ） (2024-09-24T21:54:22Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• 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)
• 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)
• 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)
• 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)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)
• 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)
• A Soft Recommender System for Social Networks [1.8275108630751844]
  最近のソーシャルレコメンデーションシステムは、正確なレコメンデーションを行うために友情グラフの恩恵を受けている。 われわれはさらに一歩進んで、もっとリアルなリコメンデーションをする真の友達を特定した。 ユーザ間の類似度と,ユーザとアイテム間の依存関係を計算した。
  論文  参考訳（メタデータ） (2020-01-08T13:38:09Z)

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。