論文の概要: Proactive Recommendation in Social Networks: Steering User Interest via Neighbor Influence
- arxiv url: http://arxiv.org/abs/2409.08934v1
- Date: Fri, 13 Sep 2024 15:53:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 15:26:48.690982
- Title: Proactive Recommendation in Social Networks: Steering User Interest via Neighbor Influence
- Title(参考訳): ソーシャル・ネットワークにおけるアクティブ・リコメンデーション--近隣の影響を通したユーザ・インテンションの育成
- Authors: Hang Pan, Shuxian Bi, Wenjie Wang, Haoxuan Li, Peng Wu, Fuli Feng, Xiangnan He,
- Abstract要約: 我々は,PRSN(Proactive Recommendation in Social Networks)という新しいタスクを提案する。
PRSNは、社会的隣人の影響力を生かして、間接的に利用者の関心を喚起する。
本稿では,2つの主要なモジュールを持つNighbor Interference Recommendation (NIRec) フレームワークを提案する。
- 参考スコア(独自算出の注目度): 54.13541697801396
- License:
- Abstract: Recommending items solely catering to users' historical interests narrows users' horizons. Recent works have considered steering target users beyond their historical interests by directly adjusting items exposed to them. However, the recommended items for direct steering might not align perfectly with users' interests evolution, detrimentally affecting target users' experience. To avoid this issue, we propose a new task named Proactive Recommendation in Social Networks (PRSN) that indirectly steers users' interest by utilizing the influence of social neighbors, i.e., indirect steering by adjusting the exposure of a target item to target users' neighbors. The key to PRSN lies in answering an interventional question: what would a target user's feedback be on a target item if the item is exposed to the user's different neighbors? To answer this question, we resort to causal inference and formalize PRSN as: (1) estimating the potential feedback of a user on an item, under the network interference by the item's exposure to the user's neighbors; and (2) adjusting the exposure of a target item to target users' neighbors to trade off steering performance and the damage to the neighbors' experience. To this end, we propose a Neighbor Interference Recommendation (NIRec) framework with two key modules: (1)an interference representation-based estimation module for modeling potential feedback; and (2) a post-learning-based optimization module for optimizing a target item's exposure to trade off steering performance and the neighbors' experience by greedy search. We conduct extensive semi-simulation experiments based on three real-world datasets, validating the steering effectiveness of NIRec.
- Abstract(参考訳): 利用者の歴史的関心にのみ配慮した推奨項目は、利用者の視野を狭める。
近年の研究では、利用者に露出したアイテムを直接調整することで、利用者の歴史的関心を超越した運営が検討されている。
しかし、ダイレクトステアリングを推奨する項目は、ユーザの興味の進化と完全に一致せず、ターゲットユーザエクスペリエンスに有害な影響を及ぼす可能性がある。
この問題を回避するために,ソーシャルな隣人の影響を利用して間接的にユーザの興味を操縦する,PRSN(Proactive Recommendation in Social Networks)というタスクを提案する。
PRSNの鍵は、介入的な質問に答えることにある: 対象のユーザのフィードバックが、そのアイテムがユーザの異なる隣人に露出された場合、ターゲットのアイテムに何があるか?
この疑問に対処するために,我々は,(1) アイテムに対するユーザの潜在的フィードバックを,ユーザの隣人への露出によるネットワーク干渉下で推定すること,(2) ユーザの隣人に対するターゲットアイテムの露出を調整し,操舵性能と隣人の体験にダメージを与えること,といったPRSNを因果推論に頼り,形式化する。
そこで本研究では,(1)潜在的なフィードバックをモデル化するための干渉表現に基づく推定モジュール,(2)学習後の最適化モジュールの2つの主要なモジュールを持つNighbor Interference Recommendation(NIRec)フレームワークを提案する。
実世界の3つのデータセットをベースとした大規模な半シミュレーション実験を行い,NIRecのステアリングの有効性を検証した。
関連論文リスト
- Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。
アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。
本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
論文 参考訳(メタデータ) (2024-04-19T16:45:50Z) - Influential Recommender System [12.765277278599541]
Influential Recommender System (IRS) は,ユーザが対象アイテムを好むように積極的に導くことを目的とした,新しいレコメンデーションパラダイムである。
IRSは、ユーザに慎重に選択された項目(影響経路と呼ばれる)のシーケンスを徐々に推奨する。
IRNはベースラインレコメンデータよりも優れており,ユーザの興味に影響を及ぼす能力を示している。
論文 参考訳(メタデータ) (2022-11-18T03:04:45Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳(メタデータ) (2022-05-09T10:47:15Z) - Estimating and Penalizing Induced Preference Shifts in Recommender
Systems [10.052697877248601]
システムデザイナは、レコメンデータが引き起こすシフトを見積もること、そのようなシフトが望まないかどうかを評価すること、さらには問題のあるシフトを避けるために積極的に最適化すること、などを議論する。
我々は、過去のユーザインタラクションデータを使用して、その好みのダイナミクスを暗黙的に含む予測的ユーザモデルをトレーニングする。
シミュレーション実験では、学習した嗜好動態モデルがユーザの嗜好を推定し、新しいレコメンデーションに対してどのように反応するかを示す。
論文 参考訳(メタデータ) (2022-04-25T21:04:46Z) - Causal Disentanglement with Network Information for Debiased
Recommendations [34.698181166037564]
近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。
この設定における重要な課題は、隠れた共同設立者を説明することだ。
我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
論文 参考訳(メタデータ) (2022-04-14T20:55:11Z) - Deep Interest Highlight Network for Click-Through Rate Prediction in
Trigger-Induced Recommendation [15.490873353133363]
本稿では,トリガー誘導レコメンデーション(TIR, Trigger-induced Recommendation)という新たなレコメンデーション問題を提案する。
そこで本研究では,クリックスルーレート(CTR)予測のための,DIHN(Deep Interest Highlight Network)と呼ばれる新しい推奨手法を提案する。
1)ユーザインテントネットワーク(UIN)、2)トリガーアイテムに対するユーザの意図を正確に予測するための正確な確率スコアを生成する、2)統合埋め込みモジュール(FEM)、そして、UINからの予測に基づいてトリガーアイテムとターゲットアイテムの埋め込みを適応的に融合する、3)。
論文 参考訳(メタデータ) (2022-02-05T08:40:30Z) - Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。
周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。
本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
論文 参考訳(メタデータ) (2022-01-25T12:44:23Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳(メタデータ) (2021-05-16T08:06:22Z) - 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)
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。