Fugu-MT 論文翻訳(概要): Contrastive Learning Augmented Social Recommendations

論文の概要: Contrastive Learning Augmented Social Recommendations

arxiv url: http://arxiv.org/abs/2502.15695v3
Date: Thu, 09 Oct 2025 18:02:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-14 04:53:46.726363
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,行動モデルからの関心表現を豊かにするために,社会関係グラフを活用することを提案する。そこで我々は,低ランクなSVDをユーザ・イテム相互作用行列に採用し,二重視点の認知型ソーシャルグラフを構築した。我々は「相互蒸留」技術を用いて、元の利益を社会的・行動的利益と社会的・行動特異的利益に分離する。
参考スコア（独自算出の注目度）: 6.597090954336996
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recommender systems are essential for modern content platforms, yet traditional behavior-based models often struggle with cold users who have limited interaction data. Engaging these users is crucial for platform growth. To bridge this gap, we propose leveraging the social-relation graph to enrich interest representations from behavior-based models. However, extracting value from social graphs is challenging due to relation noise and cross-domain inconsistency. To address the noise propagation and obtain accurate social interest, we employ a dual-view denoising strategy, employing low-rank SVD to the user-item interaction matrix for a denoised social graph and contrastive learning to align the original and reconstructed social graphs. Addressing the interest inconsistency between social and behavioral interests, we adopt a "mutual distillation" technique to isolate the original interests into aligned social/behavior interests and social/behavior specific interests, maximizing the utility of both. Experimental results on widely adopted industry datasets verify the method's effectiveness, particularly for cold users, offering a fresh perspective for future research. The implementation can be accessed at https://github.com/WANGLin0126/CLSRec.
Abstract（参考訳）: レコメンダシステムは現代のコンテンツプラットフォームには不可欠であるが、伝統的な行動ベースのモデルは、インタラクションデータに制限がある冷酷なユーザーとしばしば苦労する。これらのユーザー獲得はプラットフォームの成長に不可欠だ。このギャップを埋めるために,行動モデルから関心表現を豊かにするために,社会関係グラフを活用することを提案する。しかし,関係ノイズやドメイン間不整合のため,ソーシャルグラフから価値を抽出することは困難である。ノイズ伝搬に対処し,正確な社会的関心を得るために,従来のソーシャルグラフと再構成されたソーシャルグラフの整合性を確保するために,低ランクなSVDをユーザ-イテム相互作用行列に使用し,対比学習を行う。社会的利益と行動的利害の整合性に対処するため、我々は「相互蒸留」技術を採用し、元の利害関係を社会的・行動的利害関係と社会的・行動的利害関係に分離し、両方の効用を最大化する。広く採用されている業界データセットの実験結果から,特に寒冷なユーザを対象とした手法の有効性が検証され,今後の研究への新たな視点が提供される。実装はhttps://github.com/WANGLin0126/CLSRecでアクセスできる。

関連論文リスト

Burger: Robust Graph Denoising-augmentation Fusion and Multi-semantic Modeling in Social Recommendation [10.262762637015733]
ラウンドアラインバストガンダーラインラフ・デノワシンアンダーライン・アンダーライン・フュージョンとマルチサンダーライン・マンティック・モデリング(バーガー)を用いたソーシャル・アンダーライン勧告モデルを導入する。ユーザ・イテムインタラクション・ネットワークとソーシャルネットワークの異なるセマンティック・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・インフォメーション・ネットワークにおけるセマンティック・インフォメーション・インフォメーション・インフォメーション・インフォメー
論文参考訳（メタデータ） (2025-05-10T11:51:22Z)
Invariance Matters: Empowering Social Recommendation via Graph Invariant Learning [39.957513241513105]
ソーシャルグラフ不変学習(Social Graph Invariant Learning, SGIL)は、入力されたソーシャルグラフ内の安定したユーザの好みを明らかにすることを目的としている。この目的を達成するために、SGILはまず、グラフ生成器を通じて複数のノイズの多い社会環境をシミュレートする。生成した社会環境の多様性をさらに促進するために、敵の訓練戦略を採用する。
論文参考訳（メタデータ） (2025-04-14T17:20:48Z)
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。