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

• arxiv url: http://arxiv.org/abs/2502.11374v2
• Date: Sat, 22 Feb 2025 15:23:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:46:34.705673
• 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: 社会的レコメンデーションは、社会的つながりをレコメンデーションシステムに組み込む。 社会的レコメンデーションモデルの重要性にもかかわらず、多様性に対する影響は未解明のままである。 本研究では,非社会的レコメンデーションモデルから社会的レコメンデーションモデルへ高多様性構造化知識を伝達するために,リレーショナルナレッジ蒸留を用いる新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 20.558363246784815
• License:
• Abstract: Social recommendation, which incorporates social connections into recommender systems, has proven effective in improving recommendation accuracy. However, beyond accuracy, diversity is also crucial for enhancing user engagement. Despite its importance, the impact of social recommendation models on diversity remains largely unexplored. In this study, we systematically examine the dual performance of existing social recommendation algorithms in terms of both accuracy and diversity. Our empirical analysis reveals a concerning trend: while social recommendation models enhance accuracy, they often reduce diversity. To address this issue, we propose Diversified Social Recommendation (DivSR), a novel approach that employs relational knowledge distillation to transfer high-diversity structured knowledge from non-social recommendation models to social recommendation models. DivSR is a lightweight, model-agnostic framework that seamlessly integrates with existing social recommendation architectures. Experiments on three benchmark datasets demonstrate that DivSR significantly enhances diversity while maintaining competitive accuracy, achieving a superior accuracy-diversity trade-off. Our code and data are publicly available at: https://github.com/ll0ruc/DivSR.
• Abstract（参考訳）: ソーシャルコネクティビティをレコメンデーションシステムに組み込んだソーシャルレコメンデーションは、レコメンデーションの精度を向上させるのに有効であることが証明されている。 しかし、正確性を超えて、多様性はユーザーのエンゲージメントを高める上でも不可欠である。 社会的レコメンデーションモデルの重要性にもかかわらず、多様性に対する影響は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つの性能を,精度と多様性の両面から体系的に検討する。 社会的レコメンデーションモデルでは精度が向上する一方、多様性は低下することが多い。 この問題に対処するため,非社会的レコメンデーションモデルから社会的レコメンデーションモデルへ高多様性構造的知識を伝達するために,リレーショナル知識蒸留を利用した新たなアプローチであるDivSRを提案する。 DivSRは軽量でモデルに依存しないフレームワークで、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。 3つのベンチマークデータセットの実験では、DivSRは競争精度を維持しながら多様性を著しく向上し、精度と多様性のトレードオフが優れていることが示されている。 私たちのコードとデータは、https://github.com/ll0ruc/DivSR.comで公開されています。

関連論文リスト

• Score-based Generative Diffusion Models for Social Recommendations [24.373323217763634]
  社会的レコメンデーションの有効性は、社会的ホモフィリの仮定に大きく依存している。 本稿では、革新的生成の観点から、社会的ホモフィリーの低い課題に取り組む。
  論文  参考訳（メタデータ） (2024-12-20T05:23:45Z)
• 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。