論文の概要: Leave No One Behind: Enhancing Diversity While Maintaining Accuracy in Social Recommendation

• arxiv url: http://arxiv.org/abs/2502.11374v1
• Date: Mon, 17 Feb 2025 02:41:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:08:14.764220
• Title: Leave No One Behind: Enhancing Diversity While Maintaining Accuracy in Social Recommendation
• Title（参考訳）: ソーシャルレコメンデーションにおける正確性を維持しながら多様性を高めること
• Authors: Lei Li, Xiao Zhou,
• Abstract要約: ソーシャルレコメンデーションは、ソーシャル接続情報を利用してレコメンデーションシステムを構築するアルゴリズムの一分野である。 本研究では,既存のソーシャルレコメンデーションアルゴリズムの2つの性能について,精度と多様性の観点から検討する。 多様性社会勧告(Diversified Social Recommendation, DivSR)と呼ばれる新しいアプローチを提案する。 DivSRは、既存のソーシャルレコメンデーションアーキテクチャとシームレスに統合されるシンプルなモデルに依存しないフレームワークとして設計されている。
• 参考スコア（独自算出の注目度）: 20.558363246784815
• License:
• Abstract: Social recommendation, a branch of algorithms that utilizes social connection information to construct recommender systems, has demonstrated its effectiveness in enhancing recommendation accuracy. However, apart from accuracy, the diversity of recommendations also plays a critical role in user engagement. Unfortunately, the impact of social recommendation models on recommendation diversity remains largely unexplored. In this study, we investigate the dual performance of existing social recommendation algorithms in terms of accuracy and diversity. Our empirical findings highlight a concerning trend: social recommendation models tend to decrease diversity, despite their accuracy improvements. To address this issue, we propose a novel approach called Diversified Social Recommendation (DivSR), which leverages relational knowledge distillation techniques to transfer high-diversity structured knowledge from non-social recommendation models to social recommendation models. DivSR is designed as a simple, model-agnostic framework that integrates seamlessly with existing social recommendation architectures. Experimental results on three benchmark datasets demonstrate that DivSR significantly increases diversity without markedly compromising accuracy across various social recommendation backbones, achieving a better accuracy-diversity trade-off. Our code and data are publicly available at: https://github.com/ll0ruc/DivSR
• Abstract（参考訳）: ソーシャル・リコメンデーションは、ソーシャル・コネクト情報を利用してレコメンデーション・システムを構築するアルゴリズムの分野であり、レコメンデーションの精度を高める効果を実証している。 しかし、正確性とは別に、推薦の多様性もユーザエンゲージメントにおいて重要な役割を果たす。 残念ながら、リコメンデーションの多様性に対するソーシャルレコメンデーションモデルの影響はほとんど未解明のままである。 本研究では,既存のソーシャルレコメンデーションアルゴリズムの2つの性能について,精度と多様性の観点から検討する。 社会的レコメンデーションモデルは、精度が向上しているにもかかわらず、多様性を低下させる傾向がある。 本稿では,非社会的推薦モデルから社会的推薦モデルへの高多様性構造的知識の伝達に関係知識蒸留技術を活用するDivSR(Diversified Social Recommendation)という新しいアプローチを提案する。 DivSRは、既存のソーシャルレコメンデーションアーキテクチャとシームレスに統合されるシンプルなモデルに依存しないフレームワークとして設計されている。 3つのベンチマークデータセットによる実験結果から、DivSRは様々なソーシャルレコメンデーションバックボーンの精度を著しく損なうことなく、多様性を著しく向上し、精度と多様性のトレードオフが向上することが示された。 私たちのコードとデータは、https://github.com/ll0ruc/DivSRで公開されています。

関連論文リスト

• Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method [60.364834418531366]
  RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。 因果的観点からRSを定式化し、二元的介入として勧告を定式化する。 提案手法では,結果の一致を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2024-08-19T07:21:02Z)
• Graph Bottlenecked Social Recommendation [47.83350026188183]
  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。
  論文  参考訳（メタデータ） (2024-06-12T13:44:22Z)
• 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)
• Knowledge Graph Context-Enhanced Diversified Recommendation [53.3142545812349]
  本研究では,知識グラフ(KG)の複雑な文脈における多角化RecSys領域について検討する。 私たちのコントリビューションには、革新的なメトリック、エンティティカバレッジ、KGドメイン内の多様性を効果的に定量化するリレーショナルカバレッジの導入が含まれています。 そこで本稿では,文脈整合性を維持しつつ,KG項目の埋め込みを符号化するCAU(Conditional Alignment and Uniformity)という新しい手法を紹介する。
  論文  参考訳（メタデータ） (2023-10-20T03:18:57Z)
• 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)
• Diversity Preference-Aware Link Recommendation for Online Social Networks [0.2580765958706854]
  既存のリンクレコメンデーション手法は、ユーザーと類似の友人を推薦する傾向があるが、ユーザの多様性の好みを見落としている。 本稿では,新たなリンク推薦問題として,多様性に配慮したリンク推薦問題を提案する。 次に,新しいリンクレコメンデーション問題の鍵となる特性を分析し,その問題を解決するための新しいリンクレコメンデーション手法を開発した。
  論文  参考訳（メタデータ） (2022-05-21T22:59:00Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• 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)
• Simultaneous Relevance and Diversity: A New Recommendation Inference Approach [81.44167398308979]
  本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。 我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。 公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
  論文  参考訳（メタデータ） (2020-09-27T22:20:12Z)

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。