Exploiting Data Sparsity in Secure Cross-Platform Social Recommendation
Ant Group(蚂蚁集团);Zhejiang University(浙江大学);Sony AI(索尼人工智能);Emory University(埃默里大学)
社会推荐已经显示出比传统系统有希望的改进,因为它利用社会相关数据作为额外的输入。大多数现有的工作假设所有数据都可用于推荐平台。然而,在实践中,用户-项目交互数据(例如,评级)和用户-用户社交数据通常由不同的平台生成,并且两者都包含敏感信息。因此,“如何在数据高度稀疏的不同平台上执行安全有效的社交推荐”仍然是一个重要的挑战。在这项工作中,我们将安全计算技术引入社交推荐,并提出S3 Rec,一个稀疏感知的安全跨平台的社交推荐框架。结果表明,该模型不仅可以通过整合社交平台上的稀疏社交数据来提高评级平台的推荐性能,而且可以保护两个平台的数据隐私。此外,为了进一步提高模型训练效率,我们提出了两种基于同态加密和私有信息检索的安全稀疏矩阵乘法协议。我们在两个基准数据集上的实验证明了S3 Rec的有效性。
2022-02-15 cs.CR cs.LG
Extracting Implicit Social Relation for Social Recommendation Techniques in User Rating Prediction
Sharif University of Technology(谢里夫理工大学);Vienna University of Technology(维也纳工业大学)
推荐在我们的日常生活中扮演着越来越重要的角色。推荐系统自动向用户推荐他们可能感兴趣的项目。最近的研究表明,将社会信任的矩阵分解方法明显提高评级预测的准确性。这些方法主要使用用户明确表达的信任分数。然而,让用户提供彼此的明确信任分数通常是具有挑战性的。有相当多的作品,提出信任度来计算和预测用户之间的信任分数的基础上,他们的互动。在本文中,首先,我们提出了如何在推荐系统中通过描述用户之间的Hellinger距离来从用户对项目的评分中提取社会关系。然后,我们建议将预测的信任分数到社会矩阵分解模型。通过分析社会关系抽取从三个著名的现实世界的数据集,这两个:信任和推荐数据,我们得出结论,使用隐式的社会关系在社会推荐技术具有几乎相同的性能相比,由用户明确表达的实际信任分数。因此,我们建立我们的方法,称为Hell-TrustSVD,在最先进的社会推荐技术之上,将提取的隐式社会关系和用户对活跃用户的项目预测给出的评级结合起来。据我们所知,这是第一次使用提取的社会信任信息扩展TrustSVD。实验结果表明,在不存在显式信任的情况下,采用隐式信任进行矩阵分解,可以获得比现有方法更好的用户评分预测效果。
2017-03-17 cs.LG cs.SI
Attentive Geo-Social Group Recommendation
Harbin Institute of Technology(哈尔滨工业大学);National University of Singapore(新加坡国立大学)
社会活动在人们的日常生活中起着重要的作用,因为它们相互作用。对于基于社会活动的推荐,不仅要有活动信息,而且要有个人的社会关系。由于地理社交网络和位置感知移动设备的广泛使用,大量的地理社交数据现在很容易被推荐系统利用。在本文中,提出了一种新的群体推荐方法,称为关注的地理社会群体推荐,推荐目标用户的活动位置和一组用户可能加入的活动。我们提出了一个注意力机制来模拟目标用户$u_T$在满足社会约束的候选用户组中的影响。它有助于检索最佳用户组和活动主题候选者,并解释了组决策过程。一旦检索到用户组和主题,一种新的高效的空间查询算法SPA-DF被用来确定活动位置下给定的用户组和活动主题候选的约束。在真实数据集上对所提出的方法进行了评估,实验结果表明,所提出的模型显着优于基线方法。
2019-11-15 cs.LG cs.SI stat.ML
Automatic Self-supervised Learning for Social Recommendations
Jilin University(吉林大学);The Hong Kong Polytechnic University(香港理工大学)
本文提出AusRec,通过自监督任务和元学习框架自动平衡贡献,提升社交推荐表示学习性能,在多个真实数据集上优于现有方法。
2026-04-10 cs.IR cs.LG
Neural Multi-network Diffusion towards Social Recommendation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);HRL(HRL实验室);Amazon(亚马逊)
本文提出面向社交推荐的神经多网络模型NeMo,通过生成式负采样策略同时利用正负用户-物品交互进行兴趣传播,在多个真实基准数据集上显著优于现有方法。
2023-04-11 cs.LG cs.SI
From Aggregation to Selection: User-Validated Distributed Social Recommendation
Rutgers University(罗格斯大学);Lehigh University(莱斯大学);Hong Kong Baptist University(香港 Baptist大学)
DeSocial是一种通过用户验证提升分布式社交推荐系统决策正确性和鲁棒性的框架。
2026-01-26 cs.AI cs.LG cs.SI
Exploration of the possibility of infusing Social Media Trends into generating NFT Recommendations
University of Westminster(威斯敏斯特大学);Informatics Institute of Technology(信息技术学院)
推荐系统已被确定为推动电子商务网站销售的组成部分之一。从趋势中提取的意见挖掘数据的利用已被试图改善的建议,可以提供的基线方法在这项研究中,用户点击数据是缺乏或难以收集,由于隐私问题。利用社会趋势来影响为一组独特的项目生成的建议已被探索与建议的评分机制的使用。在未来几十年里,去中心化网络的概念有望改变用户通过互联网进行交互的方式,建议的推荐系统试图利用多个信息源,应用连贯的信息检索技术来提取可能的趋势项。研究中提出的建议架构提出了一种将社会趋势与建议相结合的方法,以产生有希望的产出。
2022-05-03 cs.AI cs.IR cs.LG
Deep Adversarial Social Recommendation
City University of Hong Kong(香港城市大学);Michigan State University(密歇根州立大学);The Hong Kong Polytechnic University(香港理工大学)
随着社交网络对人们日常生活的影响越来越大,近年来,社会推荐技术得到了快速发展,以提高推荐系统的性能。大多数现有的社会化推荐方法统一了用户-项目交互(项目域)和用户-用户连接(社会域)的用户表示。然而,它可能会限制用户在各自领域的表示学习,因为用户在两个领域中的行为和交互不同,这使得他们的表示是异构的。此外,大多数传统的推荐系统不能有效地优化这些目标,因为他们利用负采样技术,这是无法提供足够的信息指导训练过程中的优化过程。在本文中,为了解决上述挑战,我们提出了一种新的深度对抗性社交推荐框架DASO。它采用双向映射的方法来传递用户的信息之间的社会域和项目域使用对抗学习。在两个真实数据集上的综合实验表明了该框架的有效性。
2019-05-30 cs.IR cs.LG cs.SI
Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach
Università degli Studi di Milano-Bicocca(米兰比可卡大学);University of Regensburg(雷根斯堡大学);National Research Council of Italy(意大利国家研究委员会)
针对社交媒体推荐算法影响难研究的问题,提出以学术社交网络为代理,用图神经网络构建分离信息圈与行为预测的模型,模拟推荐信息圈并验证合作预测效果,公开代码以支持可复现。
2024-10-06 cs.AI cs.IR cs.LG
Learning Social Graph for Inactive User Recommendation
Alibaba Group Holding Limited(阿里巴巴集团控股有限公司);Peng Cheng Laboratory(鹏城实验室)
针对非活跃用户推荐中原始社交图质量低和数量不足的问题,提出LSIR方法,通过图结构学习和模仿学习优化社交图,在NDCG上提升高达129.58%。
2024-05-22 cs.IR cs.LG cs.SI
SPMF: A Social Trust and Preference Segmentation-based Matrix Factorization Recommendation Algorithm
College of Economics and Management, Shandong University of Science and Technology(山东科技大学经济管理学院)
传统的社会化推荐算法忽略了以下事实:具有信任关系的用户的偏好不一定相似,对用户偏好相似性的考虑应局限于特定领域。针对上述问题,提出了一种基于社会信任和偏好分割的矩阵分解推荐系统。基于Ciao和Epperly数据集的实验结果表明,SPMF算法的推荐准确率明显高于现有的推荐算法。SPMF算法是一种基于区分信任关系和偏好域差异的更准确、更有效的推荐算法,可以支持产品营销等商业活动。
2019-03-11 cs.IR cs.LG stat.ML
Global Context Enhanced Social Recommendation with Hierarchical Graph Neural Networks
South China University of Technology(华南理工大学);JD Finance America Corporation(京东金融美国公司);VIPS Research(唯品会研究院);Baidu inc(百度公司)
社会化推荐旨在利用用户之间的社会联系来提高推荐性能。随着深度学习技术的复兴,许多努力已经致力于开发各种基于神经网络的社交推荐系统,诸如注意力机制和基于图的消息传递框架。然而,两个重要的挑战还没有得到很好的解决:(i)大多数现有的社会推荐模型未能充分探索多类型的用户-项目交互行为以及潜在的跨关系的相互依赖。(ii)虽然学习到的社交状态向量能够对成对用户依赖关系进行建模,但它在捕获跨用户的全局社交上下文方面仍然具有有限的表示能力。为了解决这些限制,我们提出了一个新的社会推荐框架与分层图神经网络(SR-HGNN)。特别地,我们首先设计了一个关系感知的重构图神经网络,将跨类型协作语义注入到推荐框架中。此外,我们进一步增强SR-HGNN与社会关系编码器的基础上的互信息学习范式之间的低级别的用户嵌入和高级别的全球表示,这赋予SR-HGNN的能力,捕捉全球社会背景信号。三个公共基准的实证结果表明,SR-HGNN显着优于国家的最先进的推荐方法。源代码可在以下网址获得:https://github.com/xhcdream/SR-HGNN。
2021-10-08 cs.AI cs.IR cs.LG
DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation
Hefei University of Technology(合肥工业大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院);The University of Arizona(亚利桑那大学)
社会化推荐利用用户之间的社会联系来预测用户的未知偏好,这可以缓解基于协同过滤的推荐中的数据稀疏性问题。早期的方法依赖于利用每个用户的一阶社交邻居的兴趣来进行更好的用户建模,并且未能从全局社交网络结构中对社交影响力扩散过程进行建模。最近,我们提出了一个神经影响扩散网络的初步工作(即,DiffNet)用于社会推荐(Diffnet),它对递归社会扩散过程进行建模,以捕获每个用户的高阶关系。然而,我们认为,由于用户在用户-用户社交网络和用户-项目兴趣网络中都扮演着核心角色,因此仅对社交网络中的影响力扩散过程进行建模会忽略用户-项目兴趣网络中用户潜在的合作兴趣。在本文中,我们提出了DiffNet++,DiffNet的一个改进的算法,在一个统一的框架内模型的神经影响力扩散和兴趣扩散。DiffNet++通过将社会化推荐重构为以社会网络和兴趣网络为输入的异构图,同时注入这两种网络信息进行用户嵌入学习,从而改进了DiffNet。这是通过从三个方面迭代地聚合每个用户的嵌入来实现的:用户的先前嵌入、来自社交网络的社交邻居的影响力聚合以及来自用户-项目兴趣网络的项目邻居的兴趣聚合。此外,我们设计了一个多层次的注意力网络,学习如何从这三个方面专注地聚合用户嵌入。最后,在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性。
2021-01-05 cs.IR cs.LG cs.SI
Propagation-aware Social Recommendation by Transfer Learning
University of Technology Sydney(悉尼科技大学);Northeastern University(东北大学)
社会感知推荐方法被认为是解决传统推荐系统数据稀疏性问题的有效途径。背后的假设是,社交用户-用户连接中的知识可以被共享并转移到用户-项目交互的领域,从而帮助学习用户偏好。然而,大多数现有的方法在迁移学习过程中仅仅采用用户之间的一阶联系,而忽略了更高阶的联系。我们认为,更好的推荐性能也可以受益于高阶社会关系。提出了一种基于社会关系传播的学习感知迁移学习网络(PTLN)。我们的目标是更好地挖掘隐藏在社交网络中的共享知识,从而进一步提高推荐性能。具体而言,我们从两个方面探讨了社会影响:(a)更高级别的朋友已经被考虑的顺序偏差;(b)在同一顺序的不同朋友将有不同的重要性推荐的注意力机制。此外,我们设计了一种新的正则化,以弥合社会关系和用户-项目交互之间的差距。我们在两个真实世界的数据集上进行了广泛的实验,并在排名准确性方面击败了其他同行,特别是对于历史交互很少的冷启动用户。
2021-07-10 cs.AI cs.IR cs.LG
Random Walks with Erasure: Diversifying Personalized Recommendations on Social and Information Networks
Stanford University(斯坦福大学);University of Zürich(苏黎世大学)
大多数现有的个性化系统推广与用户先前的选择相匹配的项目或在类似用户中流行的项目。这会导致建议与用户已经接触到的建议高度相似,导致他们被隔离在熟悉但绝缘的信息孤岛中。在这种情况下,我们开发了一种新的推荐框架,其目标是使用修改后的用户项图的随机游走探索来提高信息多样性。我们专注于政治内容推荐的问题,同时解决适用于其他社会和信息网络的个性化任务的一般问题。为了在社交网络上推荐政治内容,我们首先提出了一个新的模型来估计用户和他们分享的内容的意识形态立场,该模型能够以高精度恢复意识形态立场。基于这些估计的位置,我们产生多样化的个性化推荐使用我们的新的随机行走为基础的推荐算法。通过对Twitter讨论的大数据集的实验评估,我们表明,我们的方法基于\emph{random walks with erasure}是能够产生更多的意识形态多样化的建议。我们的方法并不依赖于用户或内容制作者的偏见标签的可用性。通过在其他社交和信息网络的开放基准数据集上的实验,我们还证明了我们的方法在推荐不同长尾项目方面的有效性。
2021-02-25 cs.AI cs.LG cs.SI
LA-LDA: A Limited Attention Topic Model for Social Recommendation
USC Information Sciences Institute(南加州大学信息科学研究所);University of Maryland(马里兰大学)
社交媒体用户的注意力有限,这限制了他们可以处理的来自朋友的传入消息的数量。此外,他们比其他人更关注某些朋友的意见和建议。在本文中,我们提出了LA-LDA,一个潜在的主题模型,其中包括有限的,非均匀分布的注意力在扩散过程中的意见和信息在社会网络上传播。我们表明,我们提出的模型是能够学习更准确的用户模型,从用户的社交网络和项目采用行为比模型,不考虑有限的注意力。我们分析了社会新闻聚合器Digg上的新闻项目投票,并表明我们提出的模型能够更好地预测投票。我们的研究表明,心理社会动机的模型比只考虑主题的模型有更好的描述和预测观察到的行为的能力。
2013-01-26 cs.IR cs.LG cs.SI
Graph Neural Networks for Social Recommendation
City University of Hong Kong(香港城市大学);Michigan State University(密歇根州立大学);The Hong Kong Polytechnic University(香港理工大学)
近年来,图神经网络(GNNs),它可以自然地集成节点信息和拓扑结构,已被证明是强大的学习图形数据。GNN的这些优点为推进社会推荐提供了巨大的潜力,因为社会推荐系统中的数据可以表示为用户-用户社交图和用户-项目图;学习用户和项目的潜在因素是关键。然而,构建基于GNN的社会推荐系统面临着挑战。例如,用户-项目图对交互及其相关联的意见进行编码;社会关系具有异质强度;用户涉及两个图(例如,用户-用户社交图和用户-项目图)。为了同时解决上述三个挑战,在本文中,我们提出了一种新的图神经网络框架(GraphRec)的社会建议。特别是,我们提供了一个原则性的方法来共同捕捉用户项图中的交互和意见,并提出了框架GraphRec,它连贯地建模两个图和异构的优势。在两个真实数据集上的大量实验证明了所提出的框架GraphRec的有效性。我们的代码可在\url{https://github.com/wenqifan03/GraphRec-WWW19}上获得
2019-11-23 cs.IR cs.LG cs.SI
SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation
Hefei University of Technology(合肥工业大学);Missouri University of Science and Technology(密苏里科技大学);Microsoft Research Asia(微软亚洲研究院)
协同过滤是推荐系统中最成功的方法之一。随着在线社交网络的出现,社会化推荐成为一个热门的研究方向。这些社会推荐模型大多利用每个用户的本地邻居的偏好,以减轻CF中的数据稀疏性问题。然而,他们只考虑了每个用户的本地邻居,而忽略了用户的偏好的过程中,作为社会网络中的信息扩散。最近,图卷积网络~(GCN)通过利用图的结构和节点特征信息对图中的信息扩散过程进行建模,显示出很好的结果。为此,在本文中,我们提出了一个有效的图卷积神经网络为基础的社会推荐模型。基于经典的CF模型,我们提出的模型的核心思想是,我们借用GCN的优势,以捕捉用户的偏好是如何影响的社会扩散过程中的社交网络。用户偏好的扩散建立在逐层扩散的方式上,初始用户嵌入是当前用户特征和不包含在用户特征中的自由基用户特征向量的函数。类似地,每个项的隐向量也是项的自由隐向量及其特征表示的组合。此外,我们表明,我们提出的模型是灵活的,当用户和项目功能不可用。最后,在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性。
2019-07-11 cs.IR cs.LG cs.SI
Federated Social Recommendation with Graph Neural Network
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Beihang University(北京航空航天大学)
推荐系统是通过学习嵌入来预测用户对项目的潜在兴趣的系统。图神经网络~(GNN)的最新发展也为推荐系统提供了强大的骨干,以从用户项图中学习嵌入。然而,由于数据汇集的困难,仅利用用户-项目交互会遭受冷启动问题。因此,目前的努力提出融合社会信息与用户项目的互动,以减轻它,这是社会推荐问题。现有的工作使用GNN同时聚合社交链接和用户-项目交互。然而,它们都需要集中存储用户的社交链接和项目交互,这导致了隐私问题。此外,根据《一般数据保护条例》的严格隐私保护,集中式数据存储在未来可能不可行,因此迫切需要一个分散的社交推荐框架。为此,我们设计了一个新的框架\textbf{Fe}起草的\textbf{So}社会建议与\textbf{G}的神经网络(FeSoG)。首先,FeSoG采用关系注意和聚合来处理异构性。其次,FeSoG使用本地数据推断用户嵌入以保持个性化。最后但并非最不重要的是,该模型采用伪标签技术与项目抽样,以保护隐私和加强训练。在三个真实数据集上的大量实验证明了FeSoG在完成社会推荐和隐私保护方面的有效性。我们是第一个工作,提出了一个联邦学习框架的社会建议,以我们所知的最好的。
2021-11-21 cs.IR cs.LG
HSR: Hyperbolic Social Recommender
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院)
随着在线社交媒体的流行,用户的社会联系被广泛研究并用于提高推荐系统的性能。在本文中,我们探讨了使用双曲几何的社会推荐。我们提出了双曲社会推荐(HSR),一个新的社会推荐框架,利用双曲几何,以提高性能。在双曲空间的帮助下,HSR可以学习高质量的用户和项目表示,以便更好地建模用户-项目交互和用户-用户社交关系。通过一系列广泛的实验,我们表明,我们提出的HSR优于它的欧几里得同行和国家的最先进的社会网络的点击率预测和top-K推荐,证明了社会推荐的有效性,在双曲空间。
2021-02-15 cs.IR cs.LG
Secure Social Recommendation based on Secret Sharing
Ant Financial Services Group(蚂蚁金服集团);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Peking University(北京大学);Alibaba security(阿里巴巴安全(集团))
目前,隐私保护机器学习已经引起了工业界和学术界的广泛关注。与此同时,推荐系统已经被许多商业平台(例如亚马逊)广泛采用,并且它们主要基于用户-项目交互来构建。此外,社交平台(如Facebook)拥有丰富的用户社交信息资源。众所周知,社交信息,这是丰富的社交平台,如Facebook,是有用的推荐系统。预计将社会信息与用户项目评级相结合,以提高整体推荐性能。大多数现有的推荐模型是建立在假设社会信息是可用的。然而,由于某些问题,不同的平台通常不愿意(或不能)共享他们的数据。在本文中,我们首先提出了一个SEcure社会推荐(SeSoRec)框架,它可以(1)从社交平台协作挖掘知识,以提高评级平台的推荐性能,(2)安全地保存两个平台的原始数据。提出了一种基于秘密共享的矩阵乘法(SSMM)协议,对SeSoRec协议进行了优化,并从理论上证明了该协议的正确性和安全性。通过应用小批量梯度下降,SeSoRec在计算和通信方面具有线性时间复杂度。在三个真实数据集上的综合实验结果证明了我们提出的SeSoRec和SSMM的有效性。
2020-03-05 cs.CR cs.LG stat.ML
Precursor recommendation for inorganic synthesis by machine learning materials similarity from scientific literature
University of California, Berkeley(加州大学伯克利分校);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of Minnesota(明尼苏达大学)
本研究针对无机合成前驱体选择难的问题,利用文献挖掘的29900条固态合成配方,通过学习材料化学相似性模拟人类设计推荐前驱体,在2654种测试材料上实现至少82%的成功率,可用于推荐引擎与自主实验室。
2023-05-19 cond-mat.mtrl-sci cs.LG
A multi-theoretical kernel-based approach to social network-based recommendation
City University of Hong Kong(香港城市大学);National Chengchi University(国立政治大学)
本研究提出一种基于多理论核方法的社会网络推荐模型,通过整合多种社交网络理论并采用非线性多核学习,在真实电影数据集上取得了优于信任方法和协同过滤的推荐精度。
2024-12-15 cs.IR cs.LG cs.SI
Socially Aware Music Recommendation: A Multi-Modal Graph Neural Networks for Collaborative Music Consumption and Community-Based Engagement
University of Maryland(马里兰大学)
本文提出多模态图神经网络MM-GNN,通过无融合深度互学习、异构图社交建模和情感感知嵌入,实现社交感知的个性化音乐推荐,并在基准数据集上显著超越现有方法。
2025-09-13 cs.IR cs.LG cs.MM
Differentially Private Online Learning for Cloud-Based Video Recommendation with Multimedia Big Data in Social Networks
Huazhong University of Science and Technology(华中科技大学);University of Florida(佛罗里达大学)
随着多媒体服务的快速增长和在线社交网络中视频内容的大量提供,用户难以获得他们的兴趣。因此,已经提出了各种个性化推荐系统。然而,他们忽略了社交媒体数据的加速扩散导致了大数据时代的到来,这极大地阻碍了视频推荐的过程。此外,它们都没有考虑用户上下文的隐私(例如,社会地位、年龄和爱好)和视频服务供应商的存储库,这些存储库极其敏感,具有重大商业价值。针对上述问题,提出了一种基于分布式在线学习的云辅助差异化隐私视频推荐系统。在我们的框架中,服务供应商被建模为分布式合作学习者,根据用户的上下文推荐视频,同时适应视频选择策略的基础上,用户点击反馈,以最大限度地提高总用户点击(奖励)。考虑到社交媒体大数据的稀疏性和异构性,本文还提出了一种新的几何差异隐私模型,该模型可以大大降低性能(推荐准确率)损失。仿真结果表明,该算法的性能优于其他现有的方法,并保持计算精度和隐私保护水平之间的微妙平衡。
2016-02-01 cs.LG
Heterogeneous Edge Embeddings for Friend Recommendation
Hike Messenger(Hike信使公司);IIIT Delhi(德里印度理工学院)
我们提出了一个朋友推荐系统(链接预测的应用),使用边缘嵌入社交网络。大多数现实世界的社交网络是多图,其中一对用户之间可能存在不同类型的关系(例如聊天、友谊)。现有的网络嵌入技术没有利用来自不同边缘类型的信号,因此在这样的网络中对链接预测执行得不充分。我们提出了一种方法来挖掘网络表示,有效地利用多图的异质性。我们评估我们的模型在现实世界中,活跃的社交网络,该系统部署为数百万用户的朋友推荐。我们的方法在准确性和用户满意度方面优于Hike社交网络上的各种最先进的基线。
2019-02-07 cs.LG cs.SI stat.ML
A Random Walk Based Model Incorporating Social Information for Recommendations
Deutsche Telekom Laboratories(德国电信实验室);Princeton University(普林斯顿大学)
协同过滤(CF)是构建推荐系统最流行的方法之一。针对推荐系统中的数据稀疏性和冷启动问题,提出了一种基于马尔可夫随机游走的混合协同过滤模型。更准确地说,我们构建了一个有向图,其节点包括项目和用户,以及项目内容,用户简档和社交网络信息。我们将用户的评分纳入图模型的边缘设置。该模型为个人和团体提供个性化的建议和预测。在MovieLens和Eppery数据集上对所提出的算法进行了评估。实验结果表明,与其他基于图的方法相比,所提出的方法性能良好,特别是在冷启动的情况下。
2013-05-17 cs.IR cs.LG
Tripartite Heterogeneous Graph Propagation for Large-scale Social Recommendation
Clova AI Research, NAVER Corp.(NAVER公司Clova人工智能研究院);Search Solution Inc.(搜索解决方案公司);LINE Plus Corp.(LINE Plus公司)
图神经网络(GNNs)已经成为一种很有前途的关系表示方法,包括推荐系统。然而,社交图的各种挑战性问题阻碍了GNN用于社交推荐的实际使用,例如它们复杂的噪声连接和高度异质性。GNN的过度平滑也是基于GNN的社交推荐的障碍。在这里,我们提出了一个新的图嵌入方法异构图传播(HGP)来解决这些问题。HGP使用组-用户-项目三方图作为输入,以减少社交图中的边的数量和路径的复杂性。为了解决过度平滑的问题,HGP在个性化的基于PageRank的传播方案下嵌入节点,分别用于组用户图和用户项图。使用注意力机制来集成来自每个图的节点嵌入。我们在一个由1,645,279个节点和4,711,208条边组成的大规模真实世界数据集上评估我们的HGP。实验结果表明,HGP在AUC和F1评分指标方面优于几个基线。
2019-07-24 cs.IR cs.LG cs.SI
User-level Weibo Recommendation incorporating Social Influence based on Semi-Supervised Algorithm
Tsinghua University(清华大学);Beijing University of Aeronautics and Astronautics(北京航空航天大学);Tencent Company(腾讯公司)
腾讯微博作为中国最受欢迎的微博服务之一,吸引了数百万用户,每天产生3000万至6000万条微博(类似于Twitter中的tweet)。随着用户生成内容的过载问题,腾讯用户发现在第一时间浏览和发现有价值的信息越来越困难。本文提出了一种基于因子图的微博推荐算法TSI-WR(Topic-Level Social Influence based Weibo Recommendation),该算法可以帮助腾讯用户找到最合适的信息。本文的主要创新之处在于基于社会平衡理论,从话题层面考虑了直接和间接的社会影响。采用该策略的主要优点在于:首先可以更准确地描述两个弱连接用户之间的潜在关系,有助于解决数据稀疏性问题;其次可以从更大范围内为某个用户提供更准确的推荐。其他有意义的上下文信息也加入到我们的模型中,包括:用户的个人资料,用户的影响力,微博的内容,微博的主题信息等,我们还设计了一个半监督算法,以进一步减少数据稀疏的影响。实验结果表明,所有选择的变量都是重要的,所提出的模型优于几个基线方法。
2012-10-26 cs.CY cs.LG cs.SI
AutoLike: Auditing Social Media Recommendations through User Interactions
University of California, Irvine(加州大学欧文分校);University of California, Davis(加州大学戴维斯分校)
针对社交媒体推荐系统可能推送问题内容的问题,提出AutoLike框架,将审计问题转化为强化学习问题,通过用户交互驱动系统推送特定内容,以TikTok为案例验证其识别主题及情感、辅助监管审计的能力。
2025-02-13 cs.LG
Keen2Act: Activity Recommendation in Online Social Collaborative Platforms
University of Saskatchewan(萨斯喀彻温大学);Singapore Management University(新加坡管理大学);McLaren Applied(迈凯伦应用技术公司)
GitHub和Stack Overflow等社交协作平台越来越多地用于通过协作提高工作效率。为了改善这些平台中的用户体验,期望具有一种推荐系统,其不仅可以建议项目(例如,GitHub存储库),而且还包括要对建议项目执行的活动(例如,forking一个repository)。为此,我们提出了一种新的方法,称为Keen 2Act,它将推荐问题分解为两个阶段:Keen和Act步骤。Keen步骤为给定用户标识他/她可能感兴趣的项目的(子)集合。然后,Act步骤向用户推荐要对所识别的项目集执行哪些活动。这种分解提供了一种实用的方法来处理复杂的活动推荐任务,同时产生更高的推荐质量。我们使用两个真实世界的数据集来评估我们提出的方法,并获得了令人鼓舞的结果,Keen 2Act优于几个基线模型。
2020-05-11 cs.IR cs.LG cs.SE
Graph Neural Networks with Dynamic and Static Representations for Social Recommendation
Sun Yat-sen University(中山大学)
基于图神经网络的推荐系统由于其学习包括社交网络在内的各种边信息的优异能力而受到越来越多的研究兴趣。然而,以往的工作通常集中在建模用户,没有太多的关注项目。此外,项目的吸引力随着时间的推移可能发生的变化,这就像用户的动态兴趣很少被考虑,也没有项目之间的相关性。为了克服这些局限性,本文提出了具有动态和静态表示的社交推荐图神经网络(GNN-DSR),它考虑了用户和项目的动态和静态表示,并结合了它们的关系影响。GNN-DSR分别对用户兴趣和项目吸引力的短期动态和长期静态干扰表示进行建模。此外,注意力机制用于聚合用户对目标用户的社会影响力和相关项目对给定项目的影响力。最后结合用户和项目的潜在因素进行预测。在三个真实推荐系统数据集上的实验验证了GNN-DSR的有效性。
2022-01-31 cs.IR cs.LG cs.SI
A Synthetic Approach for Recommendation: Combining Ratings, Social Relations, and Reviews
National Key Laboratory for Novel Software Technology(新型软件技术国家重点实验室);Nanjing University(南京大学);Hong Kong Baptist University(香港浸会大学)
推荐系统(RS)提供了一种有效的方式来缓解信息过载问题,通过选择个性化的选择。在线社交网络和用户生成的内容为评级之外的推荐提供了多样化的来源,这为传统的RS带来了机遇和挑战。虽然社会矩阵分解(Social MF)可以将评分与社会关系结合起来,主题矩阵分解可以将评分与项目评论结合起来,但两者都忽略了一些有用的信息。在本文中,我们研究了有效的数据融合相结合的两种方法,在两个步骤。首先,我们扩展社会MF利用邻居的图结构。其次,我们提出了一个新的框架MR3联合建模这三种类型的信息有效地评级预测对齐潜在因素和隐藏的主题。我们在两个真实数据集上实现了更准确的评级预测。此外,我们衡量的贡献,每个数据源的建议框架。
2016-01-11 cs.AI cs.IR cs.LG
FedPOIRec: Privacy Preserving Federated POI Recommendation with Social Influence
Institute for Language and Speech Processing, Athena Research Center(雅典娜研究中心语言与语音处理研究所);Department of Electrical and Computer Engineering, Democritus University of Thrace(色雷斯德谟克利特大学电气与计算机工程系)
随着基于位置的社交网络数量的增长,隐私保护的位置预测已经成为帮助用户发现新的兴趣点(POI)的主要任务。传统的系统采用集中式方法,需要传输和收集用户的私人数据。在这项工作中,我们提出了FedPOIRec,一个隐私保护的联邦学习方法,增强了用户社交圈的功能,用于顶级$N$ POI推荐。首先,FedPOIRec框架是基于本地数据永远不会离开所有者设备的原则构建的,而本地更新是由参数服务器盲目聚合的。第二,通过允许用户交换他们学习到的参数,使知识在朋友之间传递,本地用户变得个性化。为此,我们提出了一个隐私保护协议,通过利用CKKS完全同态加密方案的属性,在联邦计算后集成用户的朋友的偏好。为了评估FedPOIRec,我们使用两个推荐模型将我们的方法应用于五个真实世界的数据集。大量的实验表明,FedPOIRec实现了类似的推荐质量集中的方法,而社会集成协议在用户端产生的计算和通信开销低。
2021-12-21 cs.CR cs.IR cs.LG
Context-Aware Visualization for Explainable AI Recommendations in Social Media: A Vision for User-Aligned Explanations
Newcastle University(纽卡斯尔大学)
针对社交媒体AI推荐解释通用、未对齐用户需求的问题,提出首个在单一流水线中同时适配解释风格和粒度的上下文感知可视化解释系统,将通过30名X用户的公开试点验证其对决策和信任的影响。
2025-08-01 cs.AI cs.HC cs.LG
REST: Debiased Social Recommendation via Reconstructing Exposure Strategies
Guangdong University of Technology(广东工业大学);Peng Cheng Laboratory(鹏城实验室);Tufts University(塔夫茨大学);Tencent Technology (SZ) Co., Ltd.(腾讯科技(深圳)有限公司)
推荐系统依靠历史观测数据来建模用户和项目之间的复杂关系,在实际应用中取得了巨大的成功。选择偏差是现有基于观测数据的方法中最重要的问题之一,它实际上是由多种类型的未观测暴露策略(例如促销和假期效应)引起的。虽然已经提出了各种方法来解决这个问题,他们主要依赖于隐式去偏置技术,而不是显式建模的未观察到的曝光策略。通过显式重构暴露策略(Reconstructing Exposure Strategies,简称REST),我们将推荐问题形式化为反事实推理,并提出了去偏见的社会推荐方法。在REST中,我们假设一个项目的暴露是由潜在暴露策略、用户和项目控制的。基于上述生成过程,我们首先通过辨识分析为我们的方法提供了理论保证。其次,我们采用变分自动编码器,重建潜在的曝光策略,在社交网络和项目的帮助下。第三,我们设计了一个基于反事实推理的推荐算法,利用恢复的曝光策略。在四个真实世界的数据集上进行的实验,包括三个已发布的数据集和一个私人微信公众号数据集,证明了几种最先进的方法的显着改进。
2022-01-13 cs.LG
Social Choice for Heterogeneous Fairness in Recommendation
Comenius University Bratislava(布拉迪斯拉发夸美纽斯大学);Tulane University(杜兰大学)
针对推荐系统现有公平性方法受限于单目标固定定义、难适配多元利益相关者需求的问题,本研究从计算社会选择视角出发,采用多智能体框架,验证了不同社会选择机制可在多数据集上成功整合多种异质性公平定义。
2024-10-06 cs.CY cs.IR cs.LG
Catalyzing Social Interactions in Mixed Reality using ML Recommendation Systems
Columbia University in the City of New York(纽约市哥伦比亚大学)
本文提出一种混合现实优先的社交推荐模型,融合注视、接近度、噪声等MR特征与适时特征以促进社交互动,并通过优化使各模型准确率提升超14个百分点。
2024-04-29 cs.HC cs.IR cs.LG
Be Causal: De-biasing Social Network Confounding in Recommendation
University of Technology, Sydney(悉尼科技大学)
在推荐系统中,非随机缺失(MNAR)问题的存在导致了选择偏差问题,最终降低了推荐性能。解决MNAR的一种常见做法是从所谓的“暴露”角度处理缺失条目,即,对项目如何暴露(提供)给用户进行建模。大多数现有的方法使用启发式模型或重新加权策略上观察到的收视率,以模仿随机缺失的设置。然而,很少有研究表明,从因果关系的角度来看,评级是如何缺失的。为了弥补这一差距,我们提出了一个无偏的和强大的方法称为DENC(去偏网络混淆的建议)的启发混淆分析的因果推理。一般来说,DENC从固有因素(例如,潜在用户或项目因素)和辅助网络的视角。特别地,在DENC中提出的暴露模型可以控制社会网络混淆,同时保留观察到的暴露信息。我们还通过平衡表示学习开发了一个去框架模型,保留了主要用户和项目特征,使DENC能够很好地推广评分预测。在三个数据集上的广泛实验验证了我们提出的模型优于最先进的基线。
2021-05-20 cs.LG
Personality-Enhanced Social Recommendations in SAMI: Exploring the Role of Personality Detection in Matchmaking
Georgia Institute of Technology(佐治亚理工学院)
本文提出利用GPT零样本能力推断大五人格特质,整合至SAMI社交推荐系统,探索人格检测对社交匹配的影响。
2026-01-06 cs.CL cs.CY cs.HC
Improving Graph Convolutional Networks with Transformer Layer in social-based items recommendation
HMI Lab VNU University of Engineering and Technology(河内国立大学工程与技术大学 HMI 实验室)
本文提出在GCN中引入Transformer编码器层,通过注意力机制重排节点特征空间,提升社交网络评分预测和链接预测性能。
2024-01-12 cs.AI cs.IR cs.LG