論文の概要: Invariance Matters: Empowering Social Recommendation via Graph Invariant Learning
- arxiv url: http://arxiv.org/abs/2504.10432v1
- Date: Mon, 14 Apr 2025 17:20:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-15 16:48:31.017126
- Title: Invariance Matters: Empowering Social Recommendation via Graph Invariant Learning
- Title（参考訳）: 不変事項:グラフ不変学習によるソーシャルレコメンデーションの強化
- Authors: Yonghui Yang, Le Wu, Yuxin Liao, Zhuangzhuang He, Pengyang Shao, Richang Hong, Meng Wang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 39.957513241513105
- License:
- Abstract: Graph-based social recommendation systems have shown significant promise in enhancing recommendation performance, particularly in addressing the issue of data sparsity in user behaviors. Typically, these systems leverage Graph Neural Networks (GNNs) to capture user preferences by incorporating high-order social influences from observed social networks. However, existing graph-based social recommendations often overlook the fact that social networks are inherently noisy, containing task-irrelevant relationships that can hinder accurate user preference learning. The removal of these redundant social relations is crucial, yet it remains challenging due to the lack of ground truth. In this paper, we approach the social denoising problem from the perspective of graph invariant learning and propose a novel method, Social Graph Invariant Learning(SGIL). Specifically,SGIL aims to uncover stable user preferences within the input social graph, thereby enhancing the robustness of graph-based social recommendation systems. To achieve this goal, SGIL first simulates multiple noisy social environments through graph generators. It then seeks to learn environment-invariant user preferences by minimizing invariant risk across these environments. To further promote diversity in the generated social environments, we employ an adversarial training strategy to simulate more potential social noisy distributions. Extensive experimental results demonstrate the effectiveness of the proposed SGIL. The code is available at https://github.com/yimutianyang/SIGIR2025-SGIL.
- Abstract（参考訳）: グラフベースのソーシャルレコメンデーションシステムは、特にユーザの行動におけるデータの分散の問題に対処する上で、レコメンデーションパフォーマンスを向上する上で大きな可能性を示している。
一般的に、これらのシステムはグラフニューラルネットワーク(GNN)を利用して、観察されたソーシャルネットワークから高次の社会的影響を取り入れることで、ユーザの好みを捉える。
しかし、既存のグラフベースのソーシャルレコメンデーションは、ソーシャルネットワークが本質的にノイズが多いという事実を見落とし、正確なユーザの嗜好学習を妨げるタスク非関連の関係を含んでいる。
こうした冗長な社会的関係の排除は極めて重要であるが、根底的な真実が欠如しているため、依然として困難である。
本稿では,グラフ不変学習の観点からの社会的認知問題にアプローチし,新しい手法であるソーシャルグラフ不変学習(Social Graph Invariant Learning, SGIL)を提案する。
具体的には、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おり、グラフベースのソーシャルレコメンデーションシステムの堅牢性を高める。
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。
次に、環境間の不変リスクを最小限に抑えて、環境不変のユーザ嗜好を学習する。
生成した社会環境の多様性をさらに促進するために、より潜在的な社会ノイズ分布をシミュレートするために、敵の訓練戦略を採用する。
大規模実験により,提案したSGILの有効性が示された。
コードはhttps://github.com/yimutianyang/SIGIR2025-SGILで公開されている。
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) - 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) - Learning Social Graph for Inactive User Recommendation [50.090904659803854]
LSIRはソーシャルレコメンデーションのための最適なソーシャルグラフ構造を学習する。
実世界のデータセットの実験では、LSIRはNDCGで最大129.58%の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-05-08T03:40:36Z) - Federated Social Recommendation with Graph Neural Network [69.36135187771929]
本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。
我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
論文 参考訳（メタデータ） (2021-11-21T09:41:39Z) - Global Context Enhanced Social Recommendation with Hierarchical Graph
Neural Networks [29.82196381724099]
階層型グラフニューラルネットワーク(SR-HGNN)を用いた新しいソーシャルレコメンデーションフレームワークを提案する。
特に,リレーショナル・アウェア・グラフ・ニューラルネットを設計し,コラボレーティブ・セマンティクスをレコメンデーション・フレームワークに注入する。
さらに、低レベルのユーザ埋め込みと高レベルのグローバル表現の相互情報学習パラダイムに基づいて、社会関係エンコーダを用いたSR-HGNNをさらに強化する。
論文 参考訳（メタデータ） (2021-10-08T11:26:04Z) - Graph-Based Social Relation Reasoning [101.9402771161935]
社会関係認識のためのグラフ関係推論ネットワーク(GR2N)を提案する。
本手法は,社会関係グラフの構築による連関関係推定のパラダイムを考察する。
実験結果から,本手法は合理的で一貫した社会関係グラフを生成することが示された。
論文 参考訳（メタデータ） (2020-07-15T03:01:11Z)
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。