論文の概要: Collaborative Interest-aware Graph Learning for Group Identification

• arxiv url: http://arxiv.org/abs/2506.14826v1
• Date: Fri, 13 Jun 2025 11:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.405304
• Title: Collaborative Interest-aware Graph Learning for Group Identification
• Title（参考訳）: グループ識別のための協調的関心グラフ学習
• Authors: Rui Zhao, Beihong Jin, Beibei Li, Yiyuan Zheng,
• Abstract要約: オンラインソーシャルプラットフォーム上でグループ活動に参加するユーザが増えています。 グループ識別のための協調的関心認識モデルCI4GIを提案する。 3つの実世界のデータセットに対する実験の結果、CI4GIは最先端のモデルを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 8.099443043148886
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the popularity of social media, an increasing number of users are joining group activities on online social platforms. This elicits the requirement of group identification (GI), which is to recommend groups to users. We reveal that users are influenced by both group-level and item-level interests, and these dual-level interests have a collaborative evolution relationship: joining a group expands the user's item interests, further prompting the user to join new groups. Ultimately, the two interests tend to align dynamically. However, existing GI methods fail to fully model this collaborative evolution relationship, ignoring the enhancement of group-level interests on item-level interests, and suffering from false-negative samples when aligning cross-level interests. In order to fully model the collaborative evolution relationship between dual-level user interests, we propose CI4GI, a Collaborative Interest-aware model for Group Identification. Specifically, we design an interest enhancement strategy that identifies additional interests of users from the items interacted with by the groups they have joined as a supplement to item-level interests. In addition, we adopt the distance between interest distributions of two users to optimize the identification of negative samples for a user, mitigating the interference of false-negative samples during cross-level interests alignment. The results of experiments on three real-world datasets demonstrate that CI4GI significantly outperforms state-of-the-art models.
• Abstract（参考訳）: ソーシャルメディアの普及に伴い、オンラインソーシャルプラットフォーム上でのグループ活動に参加するユーザーが増えている。 これにより、グループ識別(GI)が要求され、グループをユーザに推薦する。 グループへの参加は,新たなグループへの参加を促すとともに,ユーザの興味を拡大し,新たなグループへの参加を促す。 究極的には、両者の利害関係は動的に整合する傾向がある。 しかし、既存のGI手法はこの協力的進化関係を完全にモデル化することができず、アイテムレベルの利益に対するグループレベルの関心の増大を無視し、クロスレベルの利益を整合させる際に偽陰性なサンプルに悩まされている。 マルチレベルユーザ間の協調的進化関係をモデル化するために,グループ識別のための協調的関心認識モデルCI4GIを提案する。 具体的には、アイテムレベルの興味を補うものとして、参加者が参加しているグループと相互作用するアイテムから、利用者のさらなる関心を識別する関心強化戦略を設計する。 さらに,2人のユーザの関心分布間の距離を利用して,ユーザに対するネガティブなサンプルの識別を最適化し,クロスレベルな利害関係における偽陰性サンプルの干渉を軽減する。 3つの実世界のデータセットに対する実験の結果、CI4GIは最先端のモデルを大幅に上回っている。

関連論文リスト

• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• Group-Aware Interest Disentangled Dual-Training for Personalized Recommendation [42.92141160362361]
  IGRec (Interest-based Group enhanced Recommendation) を提案する。 公開されている3つのデータセットについて広範な実験を行う。 その結果、IGRecはデータ疎結合問題を効果的に緩和し、興味に基づくグループ表現でレコメンダシステムを強化することができることがわかった。
  論文  参考訳（メタデータ） (2023-11-16T05:23:53Z)
• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
  ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。 既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。 本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
  論文  参考訳（メタデータ） (2021-12-05T15:12:08Z)
• Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation [35.841350982832545]
  グループレコメンデーションは、データスパシティの問題に深刻な問題を抱えています。 本稿では,グループ推薦のための自己教師付きハイパーグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-09T12:19:49Z)
• 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)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)

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。