論文の概要: Heterogeneous Influence Maximization in User Recommendation

• arxiv url: http://arxiv.org/abs/2508.13517v1
• Date: Tue, 19 Aug 2025 05:20:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.799612
• Title: Heterogeneous Influence Maximization in User Recommendation
• Title（参考訳）: ユーザ推薦における不均一な影響の最大化
• Authors: Hongru Hou, Jiachen Sun, Wenqing Lin, Wendong Bi, Xiangrong Wang, Deqing Yang,
• Abstract要約: 本稿では,ユーザ推薦システムのためのHeteroIRとHeteroIMという2つのモデルを提案する。 HeteroIRは、ユーザ推薦システムの普及可能性を解き放つための直感的なソリューションを提供する。 HeteroIMはIM手法と推奨タスクのギャップを埋め、インタラクションの意欲を改善し、スプレッドカバレッジを最大化する。
• 参考スコア（独自算出の注目度）: 18.10832453259398
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User recommendation systems enhance user engagement by encouraging users to act as inviters to interact with other users (invitees), potentially fostering information propagation. Conventional recommendation methods typically focus on modeling interaction willingness. Influence-Maximization (IM) methods focus on identifying a set of users to maximize the information propagation. However, existing methods face two significant challenges. First, recommendation methods fail to unleash the candidates' spread capability. Second, IM methods fail to account for the willingness to interact. To solve these issues, we propose two models named HeteroIR and HeteroIM. HeteroIR provides an intuitive solution to unleash the dissemination potential of user recommendation systems. HeteroIM fills the gap between the IM method and the recommendation task, improving interaction willingness and maximizing spread coverage. The HeteroIR introduces a two-stage framework to estimate the spread profits. The HeteroIM incrementally selects the most influential invitee to recommend and rerank based on the number of reverse reachable (RR) sets containing inviters and invitees. RR set denotes a set of nodes that can reach a target via propagation. Extensive experiments show that HeteroIR and HeteroIM significantly outperform the state-of-the-art baselines with the p-value < 0.05. Furthermore, we have deployed HeteroIR and HeteroIM in Tencent's online gaming platforms and gained an 8.5\% and 10\% improvement in the online A/B test, respectively. Implementation codes are available at https://github.com/socialalgo/HIM.
• Abstract（参考訳）: ユーザレコメンデーションシステムは、ユーザが他のユーザ(招待者)と対話するための招待者としての行動を促すことによって、ユーザエンゲージメントを高め、情報伝達を促進する可能性がある。 従来のレコメンデーション手法は、一般的に相互作用の意欲をモデル化することに焦点を当てている。 インフルエンス・最大化(IM)手法は,情報の伝達を最大化するために,ユーザの集合を特定することに焦点を当てる。 しかし、既存の手法は2つの大きな課題に直面している。 まず、レコメンデーションメソッドは候補のスプレッド能力を解き放たない。 第二に、IMメソッドは相互作用する意思を説明できない。 これらの問題を解決するために,HeteroIRとHeteroIMという2つのモデルを提案する。 HeteroIRは、ユーザ推薦システムの普及可能性を解き放つための直感的なソリューションを提供する。 HeteroIMはIM手法と推奨タスクのギャップを埋め、インタラクションの意欲を改善し、スプレッドカバレッジを最大化する。 HeteroIRは、スプレッド利益を見積もる2段階のフレームワークを導入している。 HeteroIMは、招待者や招待者を含むReverse reachable (RR) セットの数に基づいて、最も影響力のある招待者を選択し、リランクする。 RRセットは、伝搬を介してターゲットに到達可能なノードの集合を表す。 大規模な実験により、HeteroIRとHeteroIMはp値0.05で最先端のベースラインを大幅に上回った。 さらに、TencentのオンラインゲームプラットフォームにHeteroIRとHeteroIMをデプロイし、オンラインA/Bテストでそれぞれ8.5\%と10\%が改善されました。 実装コードはhttps://github.com/socialalalgo/HIM.comで公開されている。

関連論文リスト

• Heterogeneous User Modeling for LLM-based Recommendation [70.52873882470328]
  オープンドメインレコメンデーションを進める上で重要な課題は、ユーザの不均一な振る舞いからユーザの好みを効果的にモデル化することだ。 IDベースやセマンティックベースモデリングなど、既存のアプローチでは、一般化の貧弱さに悩まされている。 圧縮エンハンサーとロバストネスエンハンサーを組み込んだヘテロジニアス・ユーザ・モデリング(HUM)手法を提案する。
  論文  参考訳（メタデータ） (2025-07-07T03:08:28Z)
• Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
  大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。 個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。 数発のステアライメントのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:14:59Z)
• MixRec: Heterogeneous Graph Collaborative Filtering [21.96510707666373]
  そこで本稿では,MixRecを用いたグラフ協調フィルタリングモデルを提案する。 本モデルでは,意図的不整合とマルチビヘイビア・モデリングを取り入れてこれを実現している。 また、自己教師付きデータ拡張の利点を適応的に探求する、新しいコントラスト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-18T13:12:36Z)
• Behavior Pattern Mining-based Multi-Behavior Recommendation [22.514959709811446]
  行動パターンマイニングに基づくマルチ行動レコメンデーション(BPMR)を紹介する。 BPMRは、ユーザとアイテム間の多様な相互作用パターンを広範囲に調査し、これらのパターンを推奨する機能として利用します。 実世界の3つのデータセットに対する実験的評価は、BPMRが既存の最先端アルゴリズムを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-22T06:41:59Z)
• FIXED: Frustratingly Easy Domain Generalization with Mixup [53.782029033068675]
  ドメイン一般化(Domain Generalization, DG)は、複数のトレーニングドメインから一般化可能なモデルを学ぶことを目的としている。 一般的な戦略は、Mixupcitezhang 2018mixupのようなメソッドによる一般化のためにトレーニングデータを拡張することである。 我々は、MixupベースのDG、すなわちドメイン不変の特徴mIXup(FIX)の簡易かつ効果的な拡張を提案する。 提案手法は,9つの最先端手法よりも優れており,試験精度の面では,ベースラインの平均6.5%を上回っている。
  論文  参考訳（メタデータ） (2022-11-07T09:38:34Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)

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。