Dual-domain Collaborative Denoising for Social Recommendation
针对社交网络与交互数据中的噪声及其跨GNN传播问题,本文提出DCDSR,通过结构级双向协同去噪、嵌入空间协同扰动对比学习及Anchor-InfoNCE提升社交推荐性能。
2024-05-08 cs.IR cs.SI
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
LA-CTR: A Limited Attention Collaborative Topic Regression for Social Media
概率模型可以从用户在社交媒体网站上的项目采用历史中学习用户的偏好,并且反过来,基于学习到的偏好向用户推荐新项目。然而,目前的模型忽略了心理因素在塑造在线社交行为中发挥重要作用。其中一个因素是注意力,它是一种整合感知和认知特征的机制,用于选择用户将有意识地处理并可能最终采用的项目。最近的研究表明,人们的注意力是有限的,这限制了他们的在线互动,并且他们将有限的注意力不均匀地分配给其他人。我们提出了一个合作的主题回归模型,采用有限的,非均匀划分的注意力。我们表明,该模型能够学习更准确的用户偏好比最先进的模型,不考虑人类的认知因素。具体来说,我们分析了社会新闻聚合器上的新闻项目投票,并表明我们的模型比其他模型更能预测投票。我们的研究表明,心理社会动机的模型能够更好地描述和预测观察到的行为比模型,只考虑潜在的社会结构和内容。
2013-11-05 cs.IR cs.SI physics.soc-ph
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
Discovering Strategic Behaviors for Collaborative Content-Production in Social Networks
一些社交网络提供明确的机制来分配社会奖励,例如基于用户活动的声誉,而其他网络中的机制则更加不透明。尽管如此,总有一些人比他们的同龄人获得更大的回报和声誉。一个直观但重要的问题是,这些成功的用户是否采用战略行为来变得有影响力。看起来,影响者似乎在玩弄这个系统。然而,由于组合策略空间、无法确定收益以及个人面临的资源限制等因素,仍然很难得出他们行动的合理性结论。这个问题的挑战性引起了理论界和数据采掘界的关注。因此,在本文中,我们的动机是调查,如果资源有限的个人发现与高回报的战略行为时,生产协作或互动内容在社交网络。我们提出了一个新的框架,动态双注意力网络或DDAN模型的内容生产策略的用户通过生成过程中,社会互动的影响下,参与的过程。大量的实验结果表明,我们的模型在建模用户行为的有效性。我们得出了三个强有力的经验发现。不同的策略会产生不同的社会收益,表现最好的个体对所发现策略的偏好表现出稳定性,这表明策略行为的出现,而策略偏好的稳定性与高收益相关。
2020-03-13 cs.SI physics.soc-ph
Deep Social Collaborative Filtering
推荐系统对于缓解网络世界中的信息过载问题至关重要。大多数现代推荐系统通过基于协同过滤技术的交互来捕获用户对项目的偏好。除了用户与物品的交互之外,社交网络还可以提供有用的信息来理解用户的偏好,如同质性和影响力等社会理论所建议的。最近,深度神经网络已经被用于社交推荐,其促进用户-项目交互和社交网络信息。然而,这些模型大多不能充分利用社会网络信息。它们只使用来自直接邻居的信息,但远距离邻居也可以提供有用的信息。同时,这些模型大多对邻居的信息一视同仁,没有考虑具体的建议。然而,对于具体的建议案,与具体项目有关的信息将有所帮助。此外,这些模型中的大多数都没有明确地捕获邻居对社交推荐项目的意见,而不同的意见可能会对用户产生不同的影响。在本文中,为了解决上述挑战,我们提出了DSCF,一个深度社会协同过滤框架,它可以利用社会关系的各个方面的推荐系统。两个真实世界数据集上的综合实验表明了该框架的有效性。
2019-07-16 cs.IR cs.SI
Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems
社交网络网站,如Facebook,YouTube,Lastfm等,已经成为用户相互联系和分享内容或观点的流行平台。这些数据为我们研究用户的社交圈对决策过程的影响提供了丰富的信息。在本文中,我们感兴趣的是研究社会网络信息的有效性,以预测用户的评分项目。提出了一种新的分层贝叶斯模型,它结合了社交网络的主题建模和概率矩阵分解。我们的模型的一个主要优点是自动推断有用的潜在主题和社会信息,以及它们的重要性,协同过滤的训练数据。在两个大规模数据集上的实验结果表明,该算法比现有的推荐方法更有效。我们的研究结果揭示了有趣的见解,即社交圈对人们关于信息有用性的决定有更大的影响(例如,对美味的书签偏好)而不是个人品味(例如,在Lastfm上的音乐偏好)。我们还研究和讨论了潜在的信息泄漏的解决方案,在许多推荐系统,利用社会信息。
2012-06-18 cs.IR cs.SI
GitHub and Stack Overflow: Analyzing Developer Interests Across Multiple Social Collaborative Platforms
越来越多的软件开发人员正在使用各种社交协作平台进行软件开发和学习。在这项工作中,我们研究了GitHub和Stack Overflow内部和之间开发人员兴趣的相似性。我们的研究发现,开发人员在GitHub和Stack Overflow中有共同的兴趣,平均而言,开发人员参与的GitHub存储库和Stack Overflow问题中有39%属于共同兴趣。此外,开发人员确实与在两个平台上共同参与活动的其他开发人员共享类似的兴趣。特别是,与共同参与其他平台活动的开发人员相比,共同提交和共同拉取请求相同的GitHub存储库并共同回答相同的Stack Overflow问题的开发人员共享更多的共同利益。
2017-08-25 cs.SI
FolksoDrivenCloud: an annotation and process application for social collaborative networking
在本文中,我们提出了基于云和语义技术的FolksoDriven Cloud(FDC)。近年来,云计算已经作为提供按需分布式计算资源的新范例而出现。语义Web可以用于不同数据之间的关系和服务的描述,以注释本体上的存储库的出处。FDC服务由一个提交和监视文档的后端和一个允许用户调度按需操作并监视正在运行的进程的进度的用户前端组成。所提出的方法的影响,说明了用户自成立以来。
2016-12-30 cs.CY cs.IR cs.SI
The network structure of visited locations according to geotagged social media photos
企业、旅游景点、公共交通枢纽和其他兴趣点不是孤立的,而是协作系统的一部分。让这样的合作网络浮出水面并不总是一件容易的事情。数据丰富的环境的存在可以帮助重建合作网络。他们揭示了他们的成员如何运作,并揭示了通过协作方法创造价值的潜力。社交媒体数据是完成此任务的手段的示例。在本文中,我们使用来自Flickr(一个用于照片共享的在线社区)的细粒度数据重建了一个旅游地点网络。我们使用了一组由Yahoo!Labs.为了分析旅游系统的复杂结构,我们重新构建了欧洲旅游景点的网络,产生了大约180,000个顶点和超过3200万条边。对所得到的网络特性的分析揭示了其复杂的结构。
2017-04-16 cs.CY cs.SI
Connecting the Dots: Leveraging Social Network Analysis to Understand and Optimize Collaborative Dynamics Within the Global Film Production Network
本研究运用社会网络分析构建含150个国家、7800条创意主题连接的全球电影制作网络,识别核心国家与主题社区,为电影业跨境协作的数智化决策与战略协同提供支撑。
2023-08-24 cs.SI
Toward the Evaluation of Written Proficiency on a Collaborative Social Network for Learning Languages: Yask
Instituto Caro y Cuervo(卡罗-奎尔沃研究所)
Yask是一个在线社交协作网络,用于在一个包括请求、回答和投票的框架中练习语言。由于测量语言能力使用现有的方法是困难的,昂贵的,在许多情况下不精确,我们提出了一种新的替代方法的基础上社交网络。我们的方法,称为熟练度排名,扩展了著名的网页排名算法来衡量用户在协作社交图的声誉。首先,我们扩展了Page Rank,使其不仅考虑正面链接(投票),还考虑负面链接。其次,除了使用显式链接外,我们还将其他4种类型的信号隐含在社交图中。这些扩展允许熟练度排名为所使用的数据集中的几乎所有用户生成熟练度排名,其中只有少数人通过回答做出贡献,而大多数人仅通过投票做出贡献。这克服了Page Rank的固有限制,即只能对具有传入链接的节点进行排名。我们的实验验证表明,在Yask的用户的声誉/重要性显着相关,他们的语言水平。相比之下,他们的书面产出与欧洲共同参考框架的词汇概况相关性很差。此外,我们发现负面信号(投票)比正面信号提供的信息更多。我们得出的结论是,使用这项技术是一个有前途的工具来衡量第二语言能力,即使是相对较小的人群。
2019-03-23 cs.CL cs.SI
Collaborative Filtering with Social Local Models
矩阵分解(MF)是一种非常流行的推荐方法。它假设下面的评级矩阵是低秩的。但是,这种假设对于捕捉用户和项之间的复杂关系和交互来说限制太大。最近,局部低秩矩阵近似(LLORMA)已被证明是非常成功地解决这个问题。它只是假设评级矩阵是由一些低秩的子矩阵构造相似的用户和项目的子集。虽然LLORMA优于MF,但如何构造这样的子矩阵仍然是一个大问题。受当今推荐系统中丰富的社会联系的可用性的启发,我们提出了一个新的框架,即,社会LOcal低秩矩阵近似(SLOMA),以解决这个问题。据我们所知,SLOMA是第一个将社会联系纳入本地低级别框架的工作。此外,我们通过将社会正则化应用于子矩阵分解来增强SLOMA,表示为SLOMA++。因此,该模型可以受益于社会推荐和本地低秩假设。在Yelp和豆瓣两个真实数据集上的实验结果表明,该模型优于LLORMA和MF.
2017-09-14 cs.SI
Transformative Influence of LLM and AI Tools in Student Social Media Engagement: Analyzing Personalization, Communication Efficiency, and Collaborative Learning
University of Virginia(弗吉尼亚大学)
本文基于UniversityCube数据,通过案例与统计分析,探究LLM和AI工具对学生社交媒体使用的变革作用,阐明其在提升学业表现、优化沟通协作、打造优质教育环境等方面的教育与社交价值。
2024-12-11 cs.CL cs.CY 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
Wisdom in Sum of Parts: Multi-Platform Activity Prediction in Social Collaborative Sites
在本文中,我们提出了一个新的框架,它使用从活动中推断的用户兴趣(也称为,活动兴趣)来预测用户的平台活动。框架中包括两种预测方法:(i)直接平台活动预测,其使用来自同一平台的用户的活动兴趣来预测用户在平台中的活动(例如,预测用户是否使用从他或她的先前答案和Stack Overflow中的最爱活动推断的用户兴趣来回答给定Stack Overflow问题),以及(ii)跨平台活动预测,其使用他或她来自另一平台的活动兴趣来预测用户在平台中的活动(例如,预测用户是否使用从他或她的fork中推断出的用户兴趣回答给定的Stack Overflow问题,并在GitHub中观察活动)。为了评估我们提出的方法,我们在软件开发社区中广泛使用的两个社交协作平台上进行了预测实验:GitHub和Stack Overflow。我们的实验表明,结合直接和跨平台的活动预测方法,在GitHub(AUC=0.75)和Stack Overflow(AUC=0.89)中预测用户活动的准确性最高。
2018-05-09 cs.DL cs.SE cs.SI
Familiarity-based Collaborative Team Recognition in Academic Social Networks
团队合作是重大科学发现的关键。然而,研究人员之间合作的普遍存在使得团队认可变得越来越具有挑战性。以前的研究表明,人们更有可能与他们熟悉的人合作。在这项工作中,我们采用熟悉度的定义,然后提出MOTO(faMiliarity-based cOllaborative Team recOgnition algorithm)识别协作团队。MOTO计算全局协作网络内的最短距离矩阵和每个节点的局部密度。中心团队成员最初是基于本地密度识别的。然后MOTO使用熟悉度和最短距离矩阵识别剩余的团队成员。在大规模数据集上进行了广泛的实验。实验结果表明,与基线方法相比,MOTO方法能够识别出最多的团队。与其他方法相比,MOTO认可的团队具有更有凝聚力的团队结构和更低的团队沟通成本。MOTO利用团队识别中的熟悉度来识别有凝聚力的学术团队。认可的团队符合现实世界的协作团队模式。基于团队识别使用MOTO,研究团队的结构和绩效进一步分析了给定的时间段。由来自不同机构的成员组成的团队数量逐渐增加。与成员来自同一机构的团队相比,这种团队的表现更好。
2022-04-06 cs.SI
Proceedings of the 5th International Conference on Collaborative Innovation Networks COINs15, Tokyo, Japan March 12-14, 2015
第五届合作创新网络国际会议(COINS)将于2015年3月12日至14日在庆应义塾大学举行。COINS 15将新兴协作科学的从业者、研究人员和学生聚集在一起,分享他们的工作,相互学习,并通过创造性的新想法获得灵感。在科学、设计、商业和艺术相遇的地方,COINS 15着眼于开源、创意、创业和社会运动现象背后的新兴力量。通过互动研讨会,专业演讲和引人入胜的主题演讲,COINS 15结合了广泛的跨学科领域,如社会网络分析,群体动力学,设计和可视化,信息系统,集体行动以及协作的心理学和社会性。
2015-02-04 cs.SI
A decentralized trust-aware collaborative filtering recommender system based on weighted items for social tagging systems
推荐系统用于向社交网络中的用户推荐内容和资源。这些系统使用每个用户分配给不同资源的排名或标签来预测或向用户提出建议。最近,用户可以插入新内容、标记、组织、共享和搜索内容的社交标记系统变得越来越流行。这些系统有很多有价值的信息,但数据增长是其最大的挑战之一,这导致需要推荐系统来预测每个用户可能喜欢或需要什么。一种方法来设计这些系统,使用社会环境的用户被称为协同过滤(CF)。CF系统中的问题之一是用户及其标签的可信性。在这项工作中,我们考虑的信任度量(这是从用户的标记行为)旁边的相似性,给出建议,并检查其对结果的影响。另一方面,介绍了一种分散的方法,以分布式的方式计算用户之间的相似性和信任关系。这导致了在所有类型的用户之间实现所提出的方法的能力,相对于不同类型的项目,这是通过唯一的ID跨异构网络和环境访问。最后,我们表明,所提出的模型用于计算用户之间的相似性,减少了用户项目矩阵的大小,并考虑在协作系统中的信任,可以导致更好的性能生成建议。
2019-06-12 cs.IR cs.SI
A Fast Recommendation Algorithm for Social Tagging Systems : A Delicious Case
三分图是诸如Delicious之类的社交标记系统中最常见的拓扑结构之一,其具有三种类型的节点(即,用户、URL和标签)。传统的基于协同过滤的社会化标签推荐系统对CPU时间开销有很高的要求。本文针对这一问题,提出了一种新的方法,通过粗聚类同时提取不重叠的用户聚类和对应的重叠项目聚类,以加速基于用户的协同过滤,并为社会化标签系统开发一种快速推荐算法。实验结果表明,与普通的基于用户的协同过滤算法相比,该方法能够显著降低$90\%$的处理时间开销,并相对提高了准确率。
2015-12-28 cs.IR cs.SI
Developers Need Protection, Too: Perspectives and Research Challenges for Privacy in Social Coding Platforms
像GitHub这样的社交编码平台(SCP)由于其协作和版本控制功能,已经成为现代软件工程的核心。与Facebook等主流在线社交网络(OSN)一样,SCP用户的个人资料和软件存储库中包含大量个人和项目相关数据,因此他们会受到隐私攻击和威胁。然而,与OSN不同的是,SCP用户的隐私问题和实践尚未在当前的文献中得到广泛的探讨和记录。在这项工作中,我们提出了一个在线调查的初步结果(N=105)解决开发人员的关注和感知的隐私威胁蒸汽从SCP。我们的研究结果表明,尽管用户对社交和组织隐私威胁表示担忧,但他们通常认为在这些平台上分享个人和项目相关信息是安全的。此外,针对敏感属性的推断的攻击被认为比那些寻求重新识别源代码贡献者的攻击更有可能。基于这些研究结果,我们提出了一套建议,为未来的调查解决隐私和身份管理的SCP。
2023-03-03 cs.HC cs.SE cs.SI
Jigsaw percolation: What social networks can collaboratively solve a puzzle?
我们介绍了一种新的有限图上的渗流称为拼图渗流。这种模式试图抓住那些通过融合想法来创新和通过拼凑解决方案来解决问题的人的网络。社交网络中的每个人都有一个独特的拼图。熟悉的人与兼容的拼图块合并他们的拼图块。更一般地说,如果一组人彼此认识,并且有一对兼容的拼图,那么具有合并拼图的一组人就会合并。如果社交网络最终能将所有的拼图碎片融合在一起,它就能解决这个难题。对于一个具有$n$顶点和边概率$p_n$的Erdens-Rényi社会网络,我们定义一个连通谜题图的临界值$p_c(n)$为解谜题的机会等于$1/2$的$p_n$。我们证明了对于$n$ -圈(环)难题,$p_c(n)=Θ(1/\log n)$,以及对于任意连通的具有有界最大度的难题图,对于任何$b>0$,$p_c(n)=O(1/\log n)$和$ω(1/n^b)$。令人惊讶的是,随着网络规模增加到无穷大,概率趋于1,具有幂律度分布的社交网络无法解决任何有界度难题。这个模型为最近的经验主义主张提供了一种机制,即创新随着社会密度的增加而增加,它可能开始显示社交网络扼杀创造力的原因以及网络集体创新的原因。
2015-06-19 cond-mat.dis-nn cs.SI math.PR
Proceedings of the 4th International Conference on Collaborative Innovation Networks COINs13, Santiago de Chile, August 11-13, 2013
在科学、设计、商业和艺术相遇的地方,COINs13着眼于开源、创意、创业和社会运动现象背后的新兴力量。COINs13结合了广泛的跨学科领域,如社会网络分析,群体动力学,设计和可视化,信息系统,集体行动以及协作的心理学和社会性。COINs13会议的主题是从Swarm中学习。本卷中的论文探讨了与创造性和公民群体的创新能力相关的内容,虚拟协作和动员的可观察品质是什么,以及寻求全球合作如何影响地方网络。
2013-07-23 cs.HC cs.SI
How Embeddedness Affects the Evolution of Collaboration: The Role of Knowledge Stock and Social Interactions
本文研究嵌入性如何影响协作创新网络的动态演化,通过提取知识要素并应用随机行动者导向模型进行纵向分析,揭示了社会与知识网络嵌入性对协作动态的影响机制。
2023-11-10 cs.SI
Recommending Users: Whom to Follow on Federated Social Networks
为了培养活跃且参与的社区,社交网络采用过滤大量内容并向用户提供网络的个性化视图的推荐算法。流行的社交网络,如Facebook和Twitter,通过列出用户可能有兴趣联系的简档来生成关注推荐。联邦社交网络旨在通过分散权力和促进隐私来解决与流行的社交网络相关的问题,例如大规模的用户监视和滥用用户数据来操纵选举。由于它们最近出现,推荐系统还不存在于联合社交网络中。为了使这些网络更有吸引力,促进社区建设,我们研究如何推荐算法可以应用到分散的社交网络。我们提出了一个离线和在线评估两种推荐策略:基于BM 25的协同过滤推荐和基于拓扑的推荐使用个性化的PageRank。我们的联邦社会网络Mastodon的一个大的无偏样本的实验表明,协同过滤方法优于基于拓扑的方法,而这两种方法显着优于随机推荐。随后的现场用户实验乳齿象使用平衡交错显示,协同过滤推荐器的性能与基于拓扑的推荐器不相上下。
2018-11-22 cs.IR cs.SI
Wisdom of the Crowd: Incorporating Social Influence in Recommendation Models
推荐系统最近受到了相当大的关注。然而,大多数研究都集中在提高协同过滤(CF)技术的性能。社交网络不可或缺地为我们提供了关于人们偏好的额外信息,应该加以考虑和部署,以提高推荐的质量。本文基于社会传染和社会影响网络理论,提出了两种推荐模型,分别针对个人和群体。在个体推荐模型中,引入社会传染结果对协同过滤预测结果进行改进,模拟了决策过程中信息级联的结果。在群体推荐模型中,我们运用社会影响网络理论,将群体成员之间的人际影响纳入到推荐模型中,形成一个固定的意见分歧模式,然后对群体成员的意见进行聚合。通过引入感受性和人际影响的概念,使评分结果具有一定的灵活性,并倾向于评分为“必要”的成员。
2013-05-17 cs.IR cs.LG cs.SI
A Neural Attention Model for Adaptive Learning of Social Friends' Preferences
Maastricht University(马斯特里赫特大学)
基于社会的推荐系统利用好友的选择来对抗用户偏好的数据稀疏性,提高协同过滤策略的推荐准确率。主要的挑战是捕捉和权衡朋友的偏好,因为在实践中,他们确实必然匹配。本文提出了一种用于社会协同过滤的神经注意力机制,即NAS。我们设计了一个神经架构,通过考虑朋友对用户行为的社会潜在影响来仔细计算朋友偏好的非线性。此外,我们引入了一个社会行为的注意力机制,自适应地权衡朋友对用户偏好的影响,从而产生准确的建议。我们在公开数据集上的实验证明了所提出的NAS模型比其他最先进的方法的有效性。此外,我们研究了建议的社会行为注意力机制的效果,并表明它是一个关键因素,我们的模型的性能。
2019-06-29 cs.IR cs.LG cs.SI
Reuse, Temporal Dynamics, Interest Sharing, and Collaboration in Social Tagging Systems
用户生成的内容正在塑造万维网的动态。事实上,越来越多的系统提供支持内容创建、共享和管理的增长需求的机制。标签系统是这些系统中的一个特殊类别,用户可以在其中共享和协作注释内容,例如照片和URL。这种协作行为和用户生成的元数据库为改进现有系统和设计新机制创造了机会。然而,为了实现这一潜力,有必要了解当前系统的使用特性。这项工作解决了这个问题的特点三个标记系统(CiteULike,Connotea和del.icio.us),同时集中在三个方面:i)的信息(标签和项目)生产模式; ii)用户的标签词汇的时间动态;和,iii)标签系统的社会方面。
2013-01-25 cs.DL cs.IR cs.SI
Motivational Climate Effects on Communications, Emotional-Social States, and Performance in Collaborative Gaming Environment
B. Ivcher School of Psychology, Reichman University(Reichman大学 B. Ivcher心理学院);The College of Management, Rishon Lezion(里雄莱锡安管理学院);Department of Physiotherapy, Faculty of Health, Ariel University(Ariel大学健康学院物理治疗系)
积极动机气候提升协作游戏中的沟通效果、情绪韧性及表现
2025-10-06 cs.HC cs.SI
LLM-Assisted Automated Deductive Coding of Dialogue Data: Leveraging Dialogue-Specific Characteristics to Enhance Contextual Understanding
The University of Hong Kong(香港大学)
本研究提出一种LLM辅助的对话数据自动编码框架,利用交际行为与事件特征及多模型协作与一致性检查,显著提升了编码精度并有效应对上下文挑战。
2025-04-28 cs.CL cs.SI
Score-based Generative Diffusion Models for Social Recommendations
Department of Computing, The Hong Kong Polytechnic University(计算系,香港理工大学)
本文针对社交推荐中低社交同质性问题,提出基于分数的生成扩散模型SGSR,通过生成最优用户社交表示并结合联合课程训练与自监督学习,有效过滤冗余社交信息并提升推荐性能。
2025-08-27 cs.AI cs.LG cs.SI
An Adaptive Similarity Measure to Tune Trust Influence in Memory-Based Collaborative Filtering
Shiraz University(设拉子大学)
推荐系统的目的是为每个用户提供相关的和潜在的有趣的信息。这通过利用已经记录的相似用户的倾向或检测与用户的感兴趣项目相似的项目来实现。在最近的研究中,如数据稀疏和冷启动问题的挑战。利用社会信息不仅可以提高预测精度,还可以解决数据稀疏性的挑战。在本文中,我们研究的影响,使用直接和间接的信任信息在基于记忆的协同过滤推荐系统。提出了一种自适应的相似性度量,并使用两种学习方案,贪婪和基于梯度的优化调整社会信息的贡献。所提出的方法的结果进行了比较与国家的最先进的基于内存和基于模型的CF方法在两个现实世界的数据集,Epperly和FilmTrust。实验表明,该方法在设计一个准确、全面的推荐系统方面是非常有效的。
2019-12-18 cs.IR cs.LG cs.SI
An Error-Correction Model for Information Transmissions of Social Networks
研究了社会网络中两个顶点之间通信的纠错问题。将编码理论的概念应用于社会网络分析(SNA),建立了编码社会网络模型,为社会网络中信息传递的正确性提供了一种有效的保证。本研究的结果可应用于社会科学的各种研究。
2023-03-30 cs.IT cs.SI math.IT
When AI Agents Collude Online: Financial Fraud Risks by Collaborative LLM Agents on Social Platforms
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Beihang University(北京航空航天大学)
研究大型多代理系统中集体金融欺诈的风险,通过MultiAgentFraudBench基准测试分析欺诈行为协作机制及影响因素,提出内容警告、LLM监控和群体韧性提升等缓解策略。
2026-04-06 cs.AI cs.CL cs.MA