論文の概要: Incorporating Like-Minded Peers to Overcome Friend Data Sparsity in Session-Based Social Recommendations
- arxiv url: http://arxiv.org/abs/2409.02702v2
- Date: Sat, 7 Sep 2024 00:40:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 11:18:54.012516
- Title: Incorporating Like-Minded Peers to Overcome Friend Data Sparsity in Session-Based Social Recommendations
- Title（参考訳）: セッションベースのソーシャルレコメンデーションにおける親しいデータスパリティーを克服するために、同種のピアを組み込むこと
- Authors: Chunyan An, Yunhan Li, Qiang Yang, Winston K. G. Seah, Zhixu Li, Conghao Yang,
- Abstract要約: 本稿では,LMPの概念を紹介する。
LMPは、履歴セッションに基づいて、対象ユーザの現在のセッションと好みが一致したユーザを表す。
このアプローチは、友人データのスパシティの問題を軽減するだけでなく、ターゲットのユーザと同じような好みのユーザを効果的に組み込む。
- 参考スコア（独自算出の注目度）: 27.10643133940311
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Session-based Social Recommendation (SSR) leverages social relationships within online networks to enhance the performance of Session-based Recommendation (SR). However, existing SSR algorithms often encounter the challenge of "friend data sparsity". Moreover, significant discrepancies can exist between the purchase preferences of social network friends and those of the target user, reducing the influence of friends relative to the target user's own preferences. To address these challenges, this paper introduces the concept of "Like-minded Peers" (LMP), representing users whose preferences align with the target user's current session based on their historical sessions. This is the first work, to our knowledge, that uses LMP to enhance the modeling of social influence in SSR. This approach not only alleviates the problem of friend data sparsity but also effectively incorporates users with similar preferences to the target user. We propose a novel model named Transformer Encoder with Graph Attention Aggregator Recommendation (TEGAARec), which includes the TEGAA module and the GAT-based social aggregation module. The TEGAA module captures and merges both long-term and short-term interests for target users and LMP users. Concurrently, the GAT-based social aggregation module is designed to aggregate the target users' dynamic interests and social influence in a weighted manner. Extensive experiments on four real-world datasets demonstrate the efficacy and superiority of our proposed model and ablation studies are done to illustrate the contributions of each component in TEGAARec.
- Abstract（参考訳）: セッションベースのソーシャルレコメンデーション(SSR)は、セッションベースのレコメンデーション(SR)の性能を高めるために、オンラインネットワーク内の社会的関係を活用する。
しかし、既存のSSRアルゴリズムは、しばしば「フレンドデータスパシティ」という課題に直面している。
さらに、ソーシャルネットワーク利用者の購入好みとターゲット利用者の購入嗜好との間には大きな相違が生じ、ターゲット利用者の好みに対する友人の影響が減少する。
これらの課題に対処するために,本論文では,ユーザの現在セッションとユーザの好みが一致しているユーザを,その履歴セッションに基づいて表現する「いいね!」ピアス(LMP)という概念を紹介した。
これは、私たちの知る限り、SSRにおける社会的影響のモデリングを強化するためにLMPを使用する最初の作品である。
このアプローチは、友人データのスパシティの問題を軽減するだけでなく、ターゲットのユーザと同じような好みのユーザを効果的に組み込む。
本稿では,TEGAARec(Graph Attention Aggregator Recommendation)を用いたTransformer Encoderという新しいモデルを提案する。
TEGAAモジュールは、ターゲットユーザとLMPユーザに対する長期的な利益と短期利益の両方をキャプチャしてマージする。
同時に、GATベースのソーシャルアグリゲーションモジュールは、ターゲットユーザの動的興味と社会的影響を重み付けで集約するように設計されている。
実世界の4つのデータセットに対する大規模な実験により,提案モデルの有効性と優位性を実証し,TEGAARecの各コンポーネントの寄与を説明するためにアブレーション研究を行った。
関連論文リスト
- SocFedGPT: Federated GPT-based Adaptive Content Filtering System Leveraging User Interactions in Social Networks [5.5997926295092295]
我々は、プライバシとセキュリティのためのフェデレーション学習を利用して、パーソナライズされたGPTおよびコンテキストベースのソーシャルメディアLLMモデルを導入する。
4つのクライアントエンティティがベースGPT-2モデルとローカルに収集されたソーシャルメディアデータを受信し、統合アグリゲーションにより最新のモデルメンテナンスが保証される。
定量的なソーシャルエンゲージメントアプローチは、行列因数分解技術と相まって、パーソナライズされたコンテンツ提案をリアルタイムで促進する。
論文 参考訳（メタデータ） (2024-08-07T20:05:26Z) - 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) - Ranking-based Group Identification via Factorized Attention on Social
Tripartite Graph [68.08590487960475]
グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。
我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。
データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
論文 参考訳（メタデータ） (2022-11-02T01:42:20Z) - 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) - Leveraging Social Influence based on Users Activity Centers for
Point-of-Interest Recommendation [2.896192909215469]
明示的な友情ネットワークとユーザ間の高いチェックインオーバラップに基づく2段階の友情を導入する。
その結果,提案手法は2つの実世界のデータセットにおいて最先端のモデルよりも優れていた。
論文 参考訳（メタデータ） (2022-01-10T16:46:27Z) - 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) - 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) - Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。
本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文 参考訳（メタデータ） (2020-10-02T07:11:19Z)
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。