論文の概要: Contrastive Learning Augmented Social Recommendations

• arxiv url: http://arxiv.org/abs/2502.15695v2
• Date: Tue, 25 Feb 2025 04:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:18:50.192622
• Title: Contrastive Learning Augmented Social Recommendations
• Title（参考訳）: コントラスト学習とソーシャルレコメンデーション
• Authors: Lin Wang, Weisong Wang, Xuanji Xiao, Qing Li,
• Abstract要約: 本稿では,行動データから得られた関心表現を補完するために,再構成されたソーシャルグラフを活用することを提案する。 コンテンツプラットフォーム上でのソーシャルグラフの普及にもかかわらず、そのユーティリティはソーシャルリレーショナルノイズによって妨げられている。 本稿では,グラフデータにおけるノイズ伝搬を緩和し,信頼性の高い社会的関心を抽出するための2視点デノベーション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）: 9.20712944489791
• License:
• Abstract: Recommender systems play a pivotal role in modern content platforms, yet traditional behavior-based models often face challenges in addressing cold users with sparse interaction data. Engaging these users, however, remains critical for sustaining platform growth. To tackle this issue, we propose leveraging reconstructed social graph to complement interest representations derived from behavioral data. Despite the widespread availability of social graphs on content platforms, their utility is hindered by social-relation noise and inconsistencies between social and behavioral interests. To mitigate noise propagation in graph data and extract reliable social interests, we introduce a dual-view denoising framework. This approach first applies low-rank singular value decomposition (SVD) to the user-item interaction matrix, generating denoised user embeddings for reconstructing the social graph. It then employs contrastive learning to align the original and reconstructed social graphs. To address the discrepancy between social and behavioral interests, we utilize a mutual distillation mechanism that decomposes interests into four subcategories: aligned social/behavioral interests and social/behavioral-specific interests, enabling effective integration of the two. Empirical results demonstrate the efficacy of our method, particularly in improving recommendations for cold users, by combining social and behavioral data. The implementation of our approach is publicly available at https://github.com/WANGLin0126/CLSRec.
• Abstract（参考訳）: 現代のコンテンツプラットフォームでは、レコメンダシステムは重要な役割を担っているが、従来の行動ベースのモデルでは、疎いインタラクションデータによって、コールドユーザーに対処する上で、しばしば課題に直面している。 しかし、これらのユーザーを増やすことは、プラットフォームの成長を維持する上で依然として重要だ。 この問題に対処するために,行動データから得られた関心表現を補完するために,再構成されたソーシャルグラフを活用することを提案する。 コンテンツプラットフォーム上でのソーシャルグラフの普及にもかかわらず、それらのユーティリティは、社会的関連性ノイズと社会的および行動的関心の矛盾によって妨げられている。 グラフデータのノイズ伝搬を緩和し、信頼できる社会的関心を抽出するために、デュアルビュー・デノナイジング・フレームワークを導入する。 このアプローチは、まず、ユーザ-イテム相互作用行列に低ランク特異値分解(SVD)を適用し、ソーシャルグラフを再構成するデノライズされたユーザ埋め込みを生成する。 その後、オリジナルのソーシャルグラフと再構成されたソーシャルグラフを整合させるために、対照的な学習を採用する。 社会的・行動的利害の相違に対処するために, 相互蒸留機構を用いて, 利害関係を, 社会的・行動的利害関係, 社会的・行動的利害関係の4つのサブカテゴリに分解し, 効果的に統合する。 実験の結果,社会データと行動データを組み合わせることで,寒冷なユーザへの推薦を改善する方法の有効性を実証した。 このアプローチの実装はhttps://github.com/WANGLin0126/CLSRec.comで公開されています。

関連論文リスト

• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• 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)
• Graph Neural Networks for Antisocial Behavior Detection on Twitter [0.0]
  反社会的行動のソーシャルメディアの復活は、ステレオタイプ的信念や個人や社会グループに対する憎悪的なコメントに下向きのスパイラルをもたらした。 大量のグラフ構造化データに使用されるグラフニューラルネットワークの進歩は、ソーシャルメディアプラットフォームにおけるコミュニケーションのメディア化の将来への期待を高めている。 グラフ畳み込みデータに基づくアプローチを用いて、異種データ間の依存関係をよりよく把握した。
  論文  参考訳（メタデータ） (2023-12-28T00:25:12Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• 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)
• 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)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。