論文の概要: Enhanced Influence-aware Group Recommendation for Online Media Propagation

• arxiv url: http://arxiv.org/abs/2507.01616v1
• Date: Wed, 02 Jul 2025 11:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.175591
• Title: Enhanced Influence-aware Group Recommendation for Online Media Propagation
• Title（参考訳）: オンラインメディア普及のためのインフルエンス・アウェア・グループ・レコメンデーション
• Authors: Chengkun He, Xiangmin Zhou, Chen Wang, Longbing Cao, Jie Shao, Xiaodong Li, Guang Xu, Carrie Jinqiu Hu, Zahir Tari,
• Abstract要約: グループレコメンデーション(GR)は、個人ではなく、ユーザのセットにより正確で魅力的なコンテンツを提供することを目的としている。 近年,社会的影響が集団意思決定に与える影響を考慮し,影響力を意識したGRが有望な方向として浮上している。 本稿では,これらの課題に対処するため,EIGR(Empact-aware Group Recommendation)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）: 34.042793306362114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Group recommendation over social media streams has attracted significant attention due to its wide applications in domains such as e-commerce, entertainment, and online news broadcasting. By leveraging social connections and group behaviours, group recommendation (GR) aims to provide more accurate and engaging content to a set of users rather than individuals. Recently, influence-aware GR has emerged as a promising direction, as it considers the impact of social influence on group decision-making. In earlier work, we proposed Influence-aware Group Recommendation (IGR) to solve this task. However, this task remains challenging due to three key factors: the large and ever-growing scale of social graphs, the inherently dynamic nature of influence propagation within user groups, and the high computational overhead of real-time group-item matching. To tackle these issues, we propose an Enhanced Influence-aware Group Recommendation (EIGR) framework. First, we introduce a Graph Extraction-based Sampling (GES) strategy to minimise redundancy across multiple temporal social graphs and effectively capture the evolving dynamics of both groups and items. Second, we design a novel DYnamic Independent Cascade (DYIC) model to predict how influence propagates over time across social items and user groups. Finally, we develop a two-level hash-based User Group Index (UG-Index) to efficiently organise user groups and enable real-time recommendation generation. Extensive experiments on real-world datasets demonstrate that our proposed framework, EIGR, consistently outperforms state-of-the-art baselines in both effectiveness and efficiency.
• Abstract（参考訳）: ソーシャルメディアストリームに対するグループ推薦は、eコマース、エンターテイメント、オンラインニュースブロードキャスティングといった分野に広く適用されているため、大きな注目を集めている。 グループレコメンデーション(GR)は、社会的つながりとグループ行動を活用することにより、個人ではなく、ユーザのセットにより正確で魅力的なコンテンツを提供することを目的としている。 近年,社会的影響が集団意思決定に与える影響を考慮し,影響力を意識したGRが有望な方向として浮上している。 本稿では,この課題を解決するために,インフルエンス・アウェア・グループ・レコメンデーション(IGR)を提案する。 しかし,この課題は,ソーシャルグラフの大規模化,ユーザグループ内における影響伝播の本質的に動的な性質,リアルタイムグループ-イテムマッチングの計算オーバーヘッドの3つの要因から,依然として困難な課題である。 これらの課題に対処するため,EIGRフレームワークの強化について提案する。 まず、グラフ抽出に基づくサンプリング(GES)戦略を導入し、複数の時間的ソーシャルグラフ間の冗長性を最小化し、グループとアイテムの進化的ダイナミクスを効果的に捉える。 第2に、ソーシャルアイテムやユーザグループ間での時間的影響の伝播を予測するために、新しいDYnamic Independent Cascade(DYIC)モデルを設計する。 最後に,ユーザグループを効率的に編成し,リアルタイムのレコメンデーション生成を可能にする2段階のユーザグループインデックス(UG-Index)を開発した。 実世界のデータセットに関する大規模な実験により、提案するフレームワークであるEIGRが、有効性と効率の両方において、最先端のベースラインを一貫して上回っていることが実証された。

関連論文リスト

• On the Effect of Negative Gradient in Group Relative Deep Reinforcement Optimization [52.76330545825083]
  強化学習(RL)は,大規模言語モデル(LLM)の推論能力の向上に人気がある。 従来認識されていなかった Lazy Likelihood Displacement (LLD) 現象を同定し, トレーニング中に正答率がわずかに増加するか, あるいは低下する可能性が示唆された。 従来のDPOベースのアプローチとは異なり、NTHRはGRPOのグループベースの構造を利用して、適切な応答をアンカーとして利用し、重要なトークンを識別する。
  論文  参考訳（メタデータ） (2025-05-24T18:58:51Z)
• Group-Level Data Selection for Efficient Pretraining [49.18903821780051]
  Group-MATESは、言語モデル事前訓練の速度品質フロンティアを最適化する効率的なグループレベルのデータ選択手法である。 Group-MATESは、リレーショナルデータの影響モデルを用いてコストの高いグループレベルの選択をパラメータ化する。
  論文  参考訳（メタデータ） (2025-02-20T16:34:46Z)
• Disentangled Modeling of Preferences and Social Influence for Group Recommendation [16.953172230355268]
  グループレコメンデーション(GR)は、ソーシャルネットワークのユーザーグループにアイテムを提案することを目的としている。 既存の方法は、個々のメンバーの社会的影響を無視したり、束選好や社会的影響を一緒に無視する。 グループレコメンデーション(DisRec)における選好と社会的影響の分散モデリングに基づく新しいモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-20T09:03:18Z)
• 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)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• Graph Neural Netwrok with Interaction Pattern for Group Recommendation [1.066048003460524]
  GIP4GRモデル(グループ推薦のための相互作用パターン付きグラフニューラルネットワーク)を提案する。 具体的には,グラフのトポロジ的構造におけるグループ・ユーザ間相互作用を表現するために,強力な表現能力を持つグラフニューラルネットワークフレームワークを用いた。 2つの実世界のデータセットで多くの実験を行い、モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-09-21T13:42:46Z)
• 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。