Improving Recommendation Quality by Merging Collaborative Filtering and Social Relationships
矩阵分解技术已经成功地应用于提高协同过滤系统（CFS）产生的建议的质量。基于矩阵分解的传统CFS基于用户提供的评级进行操作，最近已扩展到包括年龄和性别等人口统计方面。在本文中，我们建议合并CFS的基础上矩阵分解和信息的社会友谊，以提供用户更准确的建议和排名的项目，他们感兴趣的。所提出的方法已在现实生活中的在线社交网络上进行了评估，实验结果表明，对现有的CFS的改进。并与相关文献进行了详细的比较。
2011-09-30 cs.IR cs.SI physics.soc-ph
Improving information filtering via network manipulation
推荐系统是一种很有前途的方法来解决网上用户信息过多的问题。尽管在线商务系统的信息过滤近年来受到了广泛的关注，但几乎所有的工作都致力于设计新的算法，并将用户-项目二分网络视为给定的恒定信息。然而，推荐系统的许多问题，如冷启动问题（即低推荐精度的小度项目）实际上是由于底层用户项目二分网络的限制。在这封信中，我们提出了一个策略，以提高现有的推荐算法的性能，通过直接操纵用户项二分网络，即添加一些虚拟连接的网络。在MovieLens和Netflix两个基准数据集上的数值分析表明，该方法可以显著提高推荐性能.具体而言，它不仅提高了推荐的准确性（特别是对于小度项目），而且还帮助推荐系统生成更多样化和新颖的推荐。
2012-11-21 cs.SI physics.data-an physics.soc-ph
User Profile Feature-Based Approach to Address the Cold Start Problem in Collaborative Filtering for Personalized Movie Recommendation
随着web2.0的普及，产生了大量与电影相关的用户生成内容。随着数据的持续指数增长，人们发现很难做出明智和及时的决策，因此不可避免地需要推荐系统。电影推荐系统帮助用户找到下一个兴趣或最佳推荐。在这个建议的方法中，作者应用的关系，用户特征得分来自用户项目的互动，通过评级，以优化预测算法的输入参数，用于推荐系统，以提高预测的准确性时，有较少的过去的用户记录。这解决了协同过滤中的一个主要缺点，即冷启动问题，与基本协同过滤算法相比，改进了8.4%。系统的用户功能生成和评估使用“MovieLens 100k浏览器”进行。所提出的系统也可以推广到其他领域。
2019-06-02 cs.IR cs.SI
Reliable graph-based collaborative ranking
Grank是最近提出的一种基于图的推荐方法，它使用一种新的异构信息网络来建模用户的优先级，并对其进行分析以直接推断出推荐列表。不幸的是，GRank忽略了网络中不同类型路径背后的语义，在此过程中，它可能会使用不可靠的路径，这与邻域协作排名中相似性的一般思想不一致。这种疏忽破坏了Grank生成的推荐列表的可靠性。本文旨在提出一种新的框架，可靠的基于图的协作排名，称为ReGRank，排名项目的基础上可靠的推荐路径，在协调与语义背后的不同方法在邻里协作排名。据我们所知，ReGRank是第一个用于邻域协作排名的统一框架，除了传统的基于用户的协作排名之外，还可以适用于基于偏好和基于代表的协作排名。实验结果表明，ReGRank显着提高了国家的最先进的邻域和基于图的协同排名算法。
2018-11-03 cs.SI
A Joint Two-Phase Time-Sensitive Regularized Collaborative Ranking Model for Point of Interest Recommendation
Università della Svizzera italiana（提契诺大学）；Maastricht University（马斯特里赫特大学）
基于位置的社交网络（LBSN）的流行导致了大量的用户签到数据。在LBS网络中，兴趣点推荐是满足用户需求的关键。虽然最近的工作已经探索了采用协作排名（CR）的建议的想法，很少有人尝试将时间信息的POI推荐使用CR。在这篇文章中，我们提出了一个两阶段的CR算法，结合了地理影响的POI和正则化的基础上的方差的POI流行度和用户的活动随着时间的推移。时间敏感的正则化器惩罚过去对时间更敏感的用户和POI，帮助模型在从用户-POI交互中学习的同时考虑他们的长期行为模式。此外，在第一阶段，它试图排名访问过的POI高于未访问的，并在同一时间，应用地理的影响。在第二阶段，我们的算法尝试将用户最喜欢的POI在推荐列表中排名更高。这两个阶段都采用了协作学习策略，使模型能够从两个不同的角度捕捉复杂的潜在关联。在真实数据集上的实验表明，我们提出的时间敏感的协同排名模型击败了最先进的POI推荐方法。
2019-09-16 cs.CY cs.IR cs.LG
A hybrid recommendation algorithm based on weighted stochastic block model
混合推荐通常将协同过滤和基于内容的过滤结合起来，以充分利用这两种技术的优点。混合过滤算法优于单一过滤算法已被广泛接受，成为近年来电子商务领域的新趋势。本文提出了一种基于加权随机块模型（WSBM）的混合推荐系统。该算法不仅充分利用了基于内容的推荐和协同过滤推荐来解决冷启动问题，而且通过WSBM选择最近邻来提高推荐的准确性。实验结果表明，该方法具有更好的预测和分类精度比传统的混合推荐。
2019-05-08 cs.SI math.OC
Collaborative Filtering with Social Exposure: A Modular Approach to Social Recommendation
本文研究如何有效利用社会信息来改进推荐。大多数现有的社交推荐系统假设人们与他们的社交朋友分享相似的偏好。然而，由于在线交友的各种动机和在线社交网络的动态，这可能不成立。受最近基于因果过程的推荐的启发，首先对用户对项目的曝光进行建模，然后使用这些曝光来指导评级预测，我们利用社交信息来捕获用户曝光而不是用户偏好。我们假设人们从网上朋友那里获得产品信息，他们不必分享类似的偏好，这限制性较小，似乎更接近现实。在这种新的假设下，在本文中，我们提出了一种新的推荐方法（命名为SERec），将社会曝光到协同过滤。我们提出了两种方法来实现SERec，即社会规范化和社会助推，每种方法都有不同的方式来构建社会曝光。在四个真实数据集上的实验表明，我们的方法在前N个推荐上的性能优于最先进的方法。进一步的研究比较了这两种方法的鲁棒性和可扩展性。
2017-11-30 cs.IR cs.SI
CUPCF: Combining Users Preferences in Collaborative Filtering for Better Recommendation
如何在朋友和熟人的意见和品味之间做出最好的决定？因此，推荐系统被用来解决这些问题。常见的算法使用相似性度量来预测活跃用户对特定项目的偏好。根据冷启动和数据稀疏的问题，这些系统不能预测和建议特定的项目给用户。在本文中，我们介绍了一种新的推荐系统，能够发现用户的喜好，并在此基础上，提供建议。我们提出的系统称为CUPCF是一个组合的两个相似性措施，在协同过滤，以解决数据稀疏性问题和预测差（高预测出错率）的问题，更好地推荐。基于MovieLens数据集的实验结果表明，结合用户最近邻的偏好，所提出的系统出错率相比一些最先进的推荐方法有所提高。此外，实验结果表明了CUPCF的有效性。系统的最大改进出错率为15.5%，CUPCF的最大准确度、精确度和召回率分别为0.91402、0.91436和0.9974。
2019-08-13 cs.IR cs.SI
Fairness and Diversity in the Recommendation and Ranking of Participatory Media Content
使得用户之间能够进行一对多通信的在线参与式媒体平台看到大量的用户生成的内容，并且因此面临能够向其用户推荐该内容的子集的问题。我们解决了推荐和排名这些内容的问题，这样关于一个主题的不同观点就可以以公平和多样化的方式曝光。我们建立我们的模型的背景下，基于语音的参与式媒体平台运行在印度中部农村，为低收入和识字率较低的社区，播放音频信息的排名列表中的用户通过电话，并允许他们贡献自己的消息。在本文中，我们描述了我们的模型，并使用来自平台的呼叫日志对其进行评估，以比较我们的模型与目前遵循的手动编辑过程的公平性和多样性性能。我们的模型是通用的，也可以调整和应用于其他参与式媒体平台。
2019-07-16 cs.IR cs.SI
Risk Aware Ranking for Top-$k$ Recommendations
QCRI（卡塔尔计算研究所）；Akamai（阿卡迈技术公司）
给定一组用户和项目的不完整评级数据，偏好完成问题旨在估计项目子集的个性化总偏好顺序。在实际设置中，来自所估计的偏好顺序的顶部$k$项目的排名列表以偏好的降序被推荐给最终用户用于最终消费。我们分析了这个模型，并观察到，这样的排名模型的结果在次优性能时，与推荐项目的回报是不同的。我们提出了一种新的和非常有效的算法的偏好排序考虑的不确定性的项目的回报。一旦使用任何偏好学习算法获得用户的偏好分数，我们表明，使用风险寻求效用函数的项目排名的结果在最佳的排名性能。
2019-04-12 cs.LG cs.SI stat.ML
Graph Embedding for Citation Recommendation
随着科学的进步，学术界发表了数百万篇研究论文。研究人员在撰写论文或只是为了跟上当前的研究时，会花费时间和精力搜索相关的手稿。本文研究了图上的引文推荐问题，提出了一种基于任务的邻域构造策略来学习论文的分布式表示。此外，鉴于所学到的表示，我们调查各种计划排名的候选论文引用推荐。实验结果表明，我们提出的邻域构造策略优于广泛使用的随机游走为基础的采样策略的所有排名方案，和基于模型的排名方案优于嵌入的邻域构造策略的排名。我们还证明了图嵌入是一种鲁棒的引用推荐方法，当隐藏率变化时，而经典方法的性能显着下降时，种子论文集变得很小。
2018-12-06 cs.DL cs.IR cs.SI
LFGCF: Light Folksonomy Graph Collaborative Filtering for Tag-Aware Recommendation
School of Information；Electronic Engineering(Sussex Artificial Intelligence Institute), Zhejiang Gongshang Univeristy, Hangzhou, China；School of Statistics
标签感知推荐是根据用户的标签行为为用户预测个性化的项目列表。它对于许多具有标记功能的应用程序（如last.fm或movielens）至关重要。近年来，人们利用图卷积网络（GCN）对标签感知推荐系统（TRS）进行了大量的研究，GCN已成为通用推荐系统的一个新的发展方向。然而，一些解决方案是直接从GCN继承的，没有理由，这是难以缓解的稀疏性，模糊性和冗余的标签引入的问题，从而增加了训练的难度和降低推荐性能。在这项工作中，我们的目标是简化GCN的设计，使其更简洁的TRS。我们提出了一种新的标签感知推荐模型命名为轻Folksonomy图协同过滤（LFGCF），它只包括必要的GCN组件。具体来说，LFGCF首先从用户分配标签和项目获得标签的记录中构建Folksonomy图。然后，我们利用简单的聚合设计来学习Folksonomy图上的高阶表示，并使用在几个层上学习的嵌入的加权和进行信息更新。我们共享标签嵌入，以弥合用户和项目之间的信息差距。此外，为了更好地刻画用户偏好和项目特征，提出了一种正则化函数TransRT。在三个真实世界数据集上进行的广泛的超参数实验和消融研究表明，LFGCF使用更少的参数，并且显著优于大多数标签感知top-N建议的基线。
2022-08-06 cs.AI cs.IR cs.SI
Graph Trend Filtering Networks for Recommendations
The Hong Kong Polytechnic University（香港理工大学）；Michigan State University（密歇根州立大学）；City University of Hong Kong（香港城市大学）
推荐系统旨在为用户提供个性化服务，在我们的日常生活中发挥着越来越重要的作用。推荐系统的关键是根据用户的历史在线行为来预测用户与项目交互的可能性，例如，点击、添加到购物车、购买等。为了利用这些用户与物品的交互，人们越来越多地将用户与物品的交互视为用户与物品的二分图，然后通过图神经网络（GNN）在图中执行信息传播。鉴于GNNs在图表示学习中的强大功能，这些基于GNNs的推荐方法显着提高了推荐性能。尽管它们取得了成功，但大多数现有的基于GNNs的推荐系统忽略了由不可靠行为（例如，随机/诱饵点击）并统一处理所有交互，这可能导致次优和不稳定的性能。在本文中，我们研究了缺点（例如，非自适应传播和非鲁棒性）。为了解决这些缺点，我们引入了一个原则性的图趋势协同过滤方法，并提出了图趋势过滤网络的建议（GTN），可以捕获自适应的相互作用的可靠性。全面的实验和烧蚀研究，以验证和理解所提出的框架的有效性。我们基于PyTorch的实现可以在https://github.com/wenqifan03/GTN-SIGIR2022上找到。
2022-04-23 cs.AI cs.IR cs.LG
Criteria-Aware Graph Filtering: Extremely Fast Yet Accurate Multi-Criteria Recommendation
Yonsei University（延世大学）；KAIST（韩国科学技术院）；POSTECH（浦项科技大学）
针对多准则推荐训练成本高且难以兼顾性能的问题，提出无需训练的 CA-GF 图过滤方法，通过准则专属滤波与偏好融合实现极速、准确且可解释的推荐。
2025-02-13 cs.AI cs.IR cs.IT
Leveraging Member-Group Relations via Multi-View Graph Filtering for Effective Group Recommendation
Yonsei University（延世大学）
针对现有群体推荐方法需复杂昂贵训练的问题，提出Group-GF方法，通过构建多视图项目相似性图、发现独特多项式图滤波器并聚合，实现极快推荐且兼具高准确性。
2025-02-13 cs.AI cs.IR cs.IT
Turbo-CF: Matrix Decomposition-Free Graph Filtering for Fast Recommendation
Yonsei University（延世大学）
本文提出Turbo-CF，一种免训练且免矩阵分解的图滤波协同过滤方法，通过多项式低通滤波器在避免高昂计算成本的同时，实现了低于1秒的快速且准确的推荐。
2024-04-22 cs.AI cs.IR cs.IT
