Fugu-MT 論文翻訳(概要): Graph Bottlenecked Social Recommendation

論文の概要: Graph Bottlenecked Social Recommendation

arxiv url: http://arxiv.org/abs/2406.08214v2
Date: Tue, 23 Jul 2024 07:04:08 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-10 22:08:56.260207
Title: Graph Bottlenecked Social Recommendation
Title（参考訳）: Graph Bottlenecked Social Recommendation
Authors: Yonghui Yang, Le Wu, Zihan Wang, Zhuangzhuang He, Richang Hong, Meng Wang,
Abstract要約: 本稿では,社会騒音問題に対処するための新しいグラフ・ボトルネック・ソーシャル・レコメンデーション(GBSR)フレームワークを提案する。 GBSRはモデルに依存しないソーシャル・デノベーション・フレームワークであり、認知されたソーシャル・グラフとレコメンデーション・ラベルの相互情報の最大化を目的としている。
参考スコア（独自算出の注目度）: 47.83350026188183
License:
Abstract: With the emergence of social networks, social recommendation has become an essential technique for personalized services. Recently, graph-based social recommendations have shown promising results by capturing the high-order social influence. Most empirical studies of graph-based social recommendations directly take the observed social networks into formulation, and produce user preferences based on social homogeneity. Despite the effectiveness, we argue that social networks in the real-world are inevitably noisy~(existing redundant social relations), which may obstruct precise user preference characterization. Nevertheless, identifying and removing redundant social relations is challenging due to a lack of labels. In this paper, we focus on learning the denoised social structure to facilitate recommendation tasks from an information bottleneck perspective. Specifically, we propose a novel Graph Bottlenecked Social Recommendation (GBSR) framework to tackle the social noise issue.GBSR is a model-agnostic social denoising framework, that aims to maximize the mutual information between the denoised social graph and recommendation labels, meanwhile minimizing it between the denoised social graph and the original one. This enables GBSR to learn the minimal yet sufficient social structure, effectively reducing redundant social relations and enhancing social recommendations. Technically, GBSR consists of two elaborate components, preference-guided social graph refinement, and HSIC-based bottleneck learning. Extensive experimental results demonstrate the superiority of the proposed GBSR, including high performances and good generality combined with various backbones. Our code is available at: https://github.com/yimutianyang/KDD24-GBSR.
Abstract（参考訳）: ソーシャルネットワークの出現に伴い、ソーシャルレコメンデーションはパーソナライズされたサービスにとって不可欠な技術となっている。近年,グラフに基づくソーシャルレコメンデーションは,高次社会的影響を捉えることで有望な成果を上げている。グラフに基づくソーシャルレコメンデーションに関する実証的研究の多くは、観察されたソーシャルネットワークを直接定式化し、社会的均質性に基づいてユーザの好みを生成する。この効果にもかかわらず、現実世界のソーシャルネットワークは必然的に騒々しい〜(既存の冗長な社会的関係)であり、正確なユーザの嗜好を阻害する可能性があると論じる。それでも、ラベルの欠如により、冗長な社会的関係の特定と排除は困難である。本稿では,情報ボトルネックの観点からの推薦作業を支援するために,認知社会構造を学習することに焦点を当てる。具体的には,社会騒音問題に対処するための新しいグラフ・ボトルネック・ソーシャル・レコメンデーション(GBSR)フレームワークを提案する。GBSRは,識別されたソーシャル・グラフとレコメンデーション・ラベルの相互情報の最大化を目的とした,モデルに依存しないソーシャル・デノベーション・フレームワークである。これにより、GBSRは最小限ながら十分な社会構造を学ぶことができ、冗長な社会的関係を効果的に減らし、社会的レコメンデーションを強化することができる。技術的には、GBSRは2つの精巧なコンポーネント、嗜好誘導型ソーシャルグラフの洗練とHSICに基づくボトルネック学習で構成されている。提案したGBSRは, 高い性能, 各種バックボーンを併用した汎用性など, 優れた性能を示した。私たちのコードは、https://github.com/yimutianyang/KDD24-GBSRで利用可能です。

関連論文リスト

From a Social Cognitive Perspective: Context-aware Visual Social Relationship Recognition [59.57095498284501]
我々は,textbfContextual textbfSocial textbfRelationships (textbfConSoR) を社会的認知の観点から認識する新しいアプローチを提案する。画像ごとの社会的関係を考慮した社会認識記述言語プロンプトを構築した。印象的なことに、ConSoRは従来の手法を上回り、Person-in-Social-Context(PISC)データセットでは12.2%、Person-in-Photo-Album(PIPA)ベンチマークでは9.8%向上している。
論文参考訳（メタデータ） (2024-06-12T16:02:28Z)
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)
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)
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)
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)
Graph-Based Social Relation Reasoning [101.9402771161935]
社会関係認識のためのグラフ関係推論ネットワーク(GR2N)を提案する。本手法は,社会関係グラフの構築による連関関係推定のパラダイムを考察する。実験結果から,本手法は合理的で一貫した社会関係グラフを生成することが示された。
論文参考訳（メタデータ） (2020-07-15T03:01:11Z)
Recursive Social Behavior Graph for Trajectory Prediction [49.005219590582676]
我々は、グループベースのアノテーションによって管理される社会表現を、再帰的社会行動グラフと呼ばれる社会行動グラフに定式化する。再帰的社会行動グラフ(Recursive Social Behavior Graph)のガイダンスにより、EDHおよびUCYデータセットにおける最先端の手法をADEの11.1%、FDEの10.8%で上回る。
論文参考訳（メタデータ） (2020-04-22T06:01:48Z)

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。