Enhancing Social Recommendation with Adversarial Graph Convolutional Networks
社会化推荐系统被期望通过在用户-项目交互数据很少的情况下引入社会化信息来提高推荐质量。然而，最近的行业报告表明，社会推荐系统在实践中一直失败。根据负面的研究结果，失败的原因是：（1）大多数用户在社交网络中只有非常有限的邻居，很难从社交关系中受益：（2）社交关系是嘈杂的，但它们被不加选择地使用;（3）社会关系被假设为普遍适用于多种场景，但实际上是多场景的。在不同的情况下，表现出不同的优势。现有的社会化推荐模型大多只考虑了社交网络中的同质性，而忽略了这些缺陷。在本文中，我们提出了一个基于图卷积网络（GCN）的深度对抗框架来解决这些问题。具体而言，对于（1）和（2），开发了一种基于GCN的自动编码器，通过编码高阶和复杂的连接模式来增强关系数据，同时在重构社会轮廓的约束下进行优化，以保证识别的邻域的有效性。在为每个用户获得足够的纯化社会关系后，设计了一个基于GCN的关注社会推荐模块，通过捕获社会关系的异质性优势来解决（3）。最后，我们采用对抗训练，通过玩Minimax游戏来统一所有组件，并确保协调努力以提高推荐性能。在多个开放数据集上的大量实验证明了我们框架的优越性，消融研究证实了每个组件的重要性和有效性。
2020-10-23 cs.IR cs.SI
Point of Interest Recommendation Methods in Location Based Social Networks: Traveling to a new geographical region
基于位置的社交网络中的推荐系统主要利用社交和地理影响来进行个性化兴趣点（POI）推荐。基于匹配的访问历史从社交网络朋友或类似用户获得社交影响力，而地理影响力从用户在不同POI处签到时留下的地理足迹获得。然而，当用户移动到他们具有很少或没有活动历史的新区域时，这种方法可能会不足。我们提出了一个位置感知的POI推荐系统，主要基于用户的喜好模型，用户评论和类别的POI。在Yelp数据集上对算法进行了测试，实验结果表明，该算法具有较好的准确性。
2020-01-25 cs.IR cs.SI
DREAM: A Dynamic Relational-Aware Model for Social Recommendation
社会关系在提高推荐系统的性能方面起着至关重要的作用。然而，将社会信息纳入RS是一项挑战。大多数现有的模型通常考虑在一个给定的会话中的社会影响，忽略了用户的偏好和他们的朋友的影响是不断变化的。此外，在现实世界中，社会关系是稀疏的。建模动态影响和减轻数据稀疏是非常重要的。在本文中，我们提出了一个统一的框架命名为动态关系感知模型（DREAM）的社会化推荐，试图模拟用户的动态兴趣和他们的朋友的时间影响。具体来说，我们设计了时间信息编码模块，因为用户表示在每个会话中更新。更新后的用户表示被传输到关系GAT模块，随后影响社交网络上的操作。在每个会话中，为了解决社会关系稀疏性，我们利用基于手套的方法来完成与虚拟朋友的社会网络。然后，我们采用关系GAT模块在完成社交网络更新用户表示。在对公共数据集的广泛实验中，DREAM的性能明显优于最先进的解决方案。
2020-08-11 cs.IR cs.SI
Community-Aware Social Community Recommendation
本文提出 CASO 模型用于社会社区推荐，通过三个编码器提取社区全局与局部结构及用户偏好，引入互斥机制消除特征冗余，并加入社区检测损失，在六个真实网络上显著优于九个基线。
2025-08-08 cs.IR cs.SI
Modelling High-Order Social Relations for Item Recommendation
在线社交网络的流行使得研究社会关系如何影响用户选择成为必要。然而，大多数现有的方法只利用一阶社会关系，即连接到目标用户的直接邻居。高级社会关系，例如，朋友的朋友在很大程度上被忽略了，而朋友的朋友对揭示用户偏好非常有用。在这项工作中，我们专注于建立社交网络中的高阶邻居的间接影响，以提高项目推荐的性能。与主流的社会关系规则化模型学习与社会关系不同，我们建议在预测模型中直接考虑社会关系，旨在学习更好的用户嵌入以改进推荐。为了解决高阶邻居随着订单大小急剧增加的挑战，我们建议沿着社交网络递归地“传播”嵌入，有效地将高阶邻居的影响注入用户表示。我们在Yelp和豆瓣两个真实数据集上进行了实验，以验证我们的高阶社会推荐（HOSR）模型。实证结果表明，我们的HOSR显著优于最近基于图正则化的预测器NSCR和IF-BPR+，以及基于图卷积网络的社会影响力预测模型DeepInf，实现了任务的新的最先进水平。
2020-03-23 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
DAN-SNR: A Deep Attentive Network for Social-Aware Next Point-of-Interest Recommendation
下一个（或连续的）兴趣点（POI）推荐近年来引起了越来越多的关注。以往的研究大多试图将时空信息和用户签到的序列模式结合到推荐模型中，以预测目标用户的下一步行动。然而，这些方法都没有利用每个用户的朋友的社会影响力。在这项研究中，我们讨论了一个新的话题下一个兴趣点推荐，并提出了一个深度关注网络的社会意识下一个兴趣点推荐称为DAN-SNR。特别地，DAN-SNR利用自我注意力机制而不是递归神经网络的架构，以统一的方式对顺序影响和社会影响进行建模。此外，我们设计并实现了两个并行的渠道，以捕捉短期用户偏好和长期用户偏好以及社会影响力，分别。通过利用多头自注意，DAN-SNR可以有效地建模任何两个历史签入之间的远程依赖关系，并自适应地权衡它们对下一个目的地的贡献。此外，我们使用从两个流行的基于位置的社交网络，即Gowalla和Rekite收集的大规模真实世界数据集进行了全面评估。实验结果表明，DAN-SNR优于7竞争基准方法的推荐性能，是高效率的六个神经网络和注意力为基础的方法。
2020-04-25 cs.IR cs.SI
Auditing health-related recommendations in social media: A Case Study of Abortion on YouTube
本研究针对社交媒体推荐算法在健康领域的潜在偏见与错误信息问题，以YouTube堕胎内容为案例，提出简单有效的傀儡账号审计方法，可高效审计不同复杂度的推荐系统。
2024-04-11 cs.IR cs.SI
Recommendation Systems for Tourism Based on Social Networks: A Survey
如今，推荐系统存在于许多日常活动中，例如在线购物、浏览社交网络等。鉴于通过信息技术重振旅游业的需求不断增加，推荐系统已被纳入Expedia、Booking或Tripadvisor等旅游网站。此外，自2004年以来，与旅游推荐系统相关的科学论文数量稳步持续增长。这种增长在很大程度上是由于社交网络，除了为研究人员提供使用大量可用和不断更新的数据的可能性外，它们还使推荐系统变得更加个性化，有效和自然。本文回顾和分析了许多研究出版物，重点是旅游推荐系统，在他们的项目中使用社交网络。我们详细介绍了他们的主要特点，如社交网络被利用，数据提取，应用的推荐技术，评价方法等，通过全面的文献综述，我们的目标是与未来的推荐系统合作，给出一些明确的分类和描述，目前的旅游推荐系统。
2019-03-28 cs.IR cs.SI
SocialTrans: A Deep Sequential Model with Social Information for Web-Scale Recommendation Systems
Tencent Inc.（腾讯公司）；Hong Kong University of Science and Technology（香港科技大学）
在社交网络平台上，用户的行为基于他/她的个人兴趣，或者受到他/她的朋友的影响。在文献中，通常对用户的个人偏好或他们的社会影响偏好进行建模。在本文中，我们提出了一种新的深度学习模型SocialTrans，用于整合这两种类型的偏好。SocialTrans由三个模块组成。第一个模块是基于一个多层的Transformer模型的用户的个人喜好。第二个模块是一个多层图注意力神经网络（GAT），它被用来建模的社会影响力之间的社交网络的朋友。最后一个模块融合用户的个人偏好和社会影响的偏好，以产生推荐。我们的模型可以有效地适应大规模的数据，我们部署了SocialTrans在中国的一个主要的文章推荐系统。在三个数据集上的实验验证了该模型的有效性，并表明它优于最先进的社会推荐方法。
2020-05-09 cs.IR cs.LG cs.SI
Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
在推荐系统中，当用户-项目交互数据稀疏时，经常使用社会关系来提高推荐质量。大多数现有的社会推荐模型利用成对关系挖掘潜在的用户偏好。然而，现实生活中的用户之间的交互是非常复杂的，用户关系可以是高阶的。超图提供了一种自然的方式来建模复杂的高阶关系，而其潜力，以改善社会推荐是未被开发。在本文中，我们填补了这一空白，并提出了一个多通道超图卷积网络，通过利用高阶用户关系来增强社交推荐。从技术上讲，网络中的每个通道都编码一个超图，通过超图卷积来描述一个常见的高阶用户关系模式。通过聚合通过多个渠道学习的嵌入，我们获得全面的用户表示，以生成推荐结果。然而，聚合操作也可能掩盖不同类型的高阶连接性信息的固有特性。为了弥补聚合损失，我们创新性地将自监督学习融入超图卷积网络的训练中，以分层互信息最大化的方式重新获得连通性信息。在多个真实数据集上的实验结果表明，该模型的性能优于SOTA方法，消融实验验证了多通道设置和自监督任务的有效性。我们的模型的实现可以通过https://github.com/Coder-Yu/RecQ获得。
2022-02-27 cs.IR cs.SI
A Collaborative Filtering-Based Two Stage Model with Item Dependency for Course Recommendation
National Taiwan University（台湾大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
本文针对课程推荐中评分缺失、注册分布不均衡及课程依赖建模等挑战，提出融合课程依赖正则化的两阶段协同过滤模型与基于课程转换网络的图推荐器，在真实数据集上取得0.97的AUC。
2023-11-01 cs.IR cs.LG
Similar but Different: Exploiting Users' Congruity for Recommendation Systems
社交媒体的广泛使用提供了关于个人在线社交活动及其社会关系的大量数据。大多数现有推荐系统的构建块是具有社会关系的用户之间的相似性，即，朋友虽然友谊确保了一些同质性，但用户与她的朋友的相似性可以随着朋友数量的增加而变化。社会学研究表明，朋友比陌生人更相似，但朋友可能有不同的兴趣。评论和评级等外部信息可能有助于辨别不同程度的一致性（即，相似用户之间的一致性。在本文中，我们研究是否可以将用户的一致性纳入到推荐系统，以提高其性能。实验结果证明了在推荐系统中嵌入一致性相关信息的有效性。
2018-03-16 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
A Hierarchical Attention Model for Social Contextual Image Recommendation
基于图像的社交网络是近年来最流行的社交网络服务之一。随着每天上传的大量图像，了解用户对用户生成的图像的偏好并提出建议已成为迫切需要。事实上，已经提出了许多混合模型来融合各种边信息（例如，图像视觉表示、社交网络）和用户项历史行为来增强推荐性能。然而，由于社交图像平台中用户生成图像的独特性，以往的研究未能在一个统一的框架中捕捉影响用户偏好的复杂方面。此外，大多数混合模型都依赖于预定义的权重来组合不同类型的信息，这通常会导致推荐性能不佳。为此，在本文中，我们开发了一个层次化的注意力模型的社会背景图像推荐。除了流行的基于矩阵分解的推荐中的基本潜在用户兴趣建模之外，我们还确定了三个关键方面（即，上传历史、社交影响力和所有者赞赏），这些因素影响每个用户的潜在偏好，其中每个方面都总结了用户和图像之间复杂关系的上下文因素。在此之后，我们设计了一个层次化的注意力网络，它自然地反映了用户潜在兴趣与识别出的关键方面的层次关系（每个方面级别中的元素，以及方面级别）。具体来说，通过从针对每种数据量身定制的最先进的深度学习模型中嵌入，分层注意力网络可以学习以不同的方式关注更多或更少的内容。最后，在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优越性。
2019-04-15 cs.IR cs.SI
Session-based Social and Dependency-aware Software Recommendation
随着现代软件复杂性的增加，社会化协作编码和开源软件包复用越来越普遍，从而大大提高了开发效率和软件质量。但是，开放源码软件包的爆炸式增长使开发人员面临信息超载的挑战。虽然这可以通过传统的推荐系统来解决，但是它们通常不考虑社交编码的特定约束，例如开发者之间的社交影响和软件包之间的依赖关系。在本文中，我们的目标是建立模型的动态利益的开发者与社会影响和依赖约束，并提出了基于会话的社会和依赖意识的软件推荐（SSDRec）模型。该模型将递归神经网络（RNN）和图注意力网络（GAT）集成到一个统一的框架中。一个RNN被用来模拟开发人员在每个会话中的短期动态兴趣，两个GAT被用来分别捕获来自朋友的社会影响和来自依赖软件包的依赖约束。在真实世界的数据集上进行了大量的实验，结果表明，我们的模型显着优于竞争对手的基线。
2022-03-08 cs.IR cs.SE
Social Influence-based Attentive Mavens Mining and Aggregative Representation Learning for Group Recommendation
频繁的群体活动已成为人类日常生活中不可缺少的一部分。在推荐系统中，群体推荐可以向群体成员推荐满意的活动，其关键问题是如何聚合不同群体成员的偏好。现有的群体推荐算法大多采用预定义的静态聚集策略来聚集群体成员的偏好，但这些静态聚集策略不能模拟群体的动态决策过程。同时，这些方法大多依赖于直觉或假设来分析群体成员的影响力，缺乏令人信服的理论支持。我们认为，群体成员的影响力在群体决策中起着特别重要的作用，它可以更好地帮助群体的个人资料建模和执行更准确的群体推荐。为了解决群体推荐中的偏好聚合问题，提出了一种基于社会学理论的群体推荐注意聚合表示学习方法SIAGR（Social Influence-based Attentive Group Recommendation），该方法将注意力机制和流行的方法BERT作为群体偏好建模的聚合表示。具体而言，我们分析了基于社会认同理论和两步流理论的群体成员的影响力，并开发了一个关注专家挖掘方法。此外，我们开发了一种基于BERT的表示方法来学习组成员的交互。最后，在神经协同过滤框架下完成了群体推荐，并通过实验验证了该方法的有效性。
2019-08-10 cs.IR cs.SI
A Neural Influence Diffusion Model for Social Recommendation
精确的用户和项目嵌入学习是构建成功推荐系统的关键。传统上，协同过滤（CF）提供了一种从用户-项目交互历史中学习用户和项目嵌入的方法。然而，由于用户行为数据的稀疏性，性能受到限制。随着在线社交网络的出现，社会推荐系统已经被提出来利用每个用户的本地邻居的偏好来减轻数据稀疏性以更好地进行用户嵌入建模。我们认为，对于社交平台的每个用户，她的潜在嵌入受到她信任的用户的影响。随着社会影响力在社会网络中的递归传播和扩散，每个用户的兴趣在递归过程中发生变化。然而，目前的社交推荐模型只是利用每个用户的本地邻居建立静态模型，而没有模拟全局社交网络中的递归扩散，导致推荐性能不佳。在本文中，我们提出了一个深度影响传播模型，以刺激用户如何影响社会推荐的递归社会扩散过程。对于每个用户，扩散过程从融合相关特征的初始嵌入和捕获潜在行为偏好的自由用户潜在向量开始。我们提出的模型的核心思想是，我们设计了一个逐层的影响传播结构，以模拟用户的潜在嵌入如何随着社会扩散过程的继续而演变。我们进一步表明，我们提出的模型是通用的，可以应用时，用户~（项目）属性或社会网络结构是不可用的。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，与最佳基线相比，性能提高了13%以上。
2019-04-20 cs.IR cs.SI
A Review on Recommendation Systems: Context-aware to Social-based
互联网用户的数量迅速增长，吸引了公司和合作机构充分利用推荐基础设施。因此，在线广告公司出现，以帮助我们在众多项目和用户的存在。即使作为用户，您也可能发现自己被一组您认为可能需要的项目淹没，但您不确定是否应该尝试它们。这些项目可以是在线服务，产品，地点，甚至是一个人的友谊。因此，我们需要推荐系统来铺平道路，帮助我们做出正确的决定。本文综述了传统推荐系统、推荐系统评价和度量、上下文感知推荐系统和基于社会的推荐系统。虽然很难在一篇简短的综述文章中包含所有信息，但我们试图对推荐系统的基本要素进行介绍性综述。有关各章的更详细的资料将在相应的参考文献中找到。为了以不同的方式解释这个概念，我们提供了幻灯片，可在https://www.slideshare.net/MahdiSeyednejad/recommender-systems-97094937上获得。
2018-11-28 cs.IR cs.SI
Leave No One Behind: Enhancing Diversity While Maintaining Accuracy in Social Recommendation
针对社交推荐模型提升准确性但降低多样性的问题，提出轻量模型无关框架DivSR，通过关系知识蒸馏迁移非社交推荐的高多样性知识，在三个基准数据集上实现更优的准确性-多样性权衡。
2025-02-22 cs.IR
ConnectionMind: Leveraging Social Networks and Large Language Models for Personalized Recommendation at Meta
Michigan State University（密歇根州立大学）；Meta Platforms, Inc.（Meta平台公司）
该研究提出 ConnectionMind 框架，结合社交网络与 LLM，经两阶段学习训练后，在 Meta 部署并通过 A/B 测试实现视频观看时长 0.43% 的提升，解决传统推荐模型的多关系上下文整合不足问题。
2026-08-12 cs.IR cs.SI
Harnessing the power of Social Bookmarking for improving tag-based Recommendations
社会书签和标签已经出现了一个新时代的用户协作。协作标记允许用户注释他们喜欢的内容，通过适当的算法可以提供有用的产品推荐。今天的情况是，基于标签的算法与基于评级的推荐机制互补，以预测用户对各种产品的喜好。在本文中，我们提出了一种替代算法计算个性化的产品推荐，专门使用的用户提供的标签。我们的方法是基于使用用户提供的标签的语义相似性聚类成组的类似意义的想法。然后，将用户注释能力的一些可测量特征与其他度量（如用户相似度）相结合，用于计算预测。从现实世界的协作标记系统，citeUlike使用的数据的评估，证实了我们的方法优于基线向量空间模型，以及其他国家的最先进的算法，更准确地预测用户的喜好。
2014-10-19 cs.IR cs.SI
Dependency Relationships-Enhanced Attentive Group Recommendation in HINs
提出 DREAGR 方法，通过引入物品依赖关系作为辅助信息缓解交互稀疏性，并利用路径感知注意力嵌入与门控融合机制建模用户偏好，显著提升了群组推荐性能。
2023-11-19 cs.IR
Hete-CF: Social-Based Collaborative Filtering Recommendation using Heterogeneous Relations
协同过滤算法在推荐系统中得到了广泛的应用。然而，它们经常遭受数据稀疏和冷启动问题。随着社交媒体的日益普及，这些问题可以通过使用基于社交的推荐来解决。基于社会信息的推荐是一个新兴的研究领域，它利用社会信息来缓解数据稀疏和冷启动问题，并且已经证明基于社会信息的推荐算法可以有效地提高推荐性能。然而，现有的算法很少考虑在一个社交网络中使用多种类型的关系。本文研究了异构社交网络上基于社会的推荐算法，提出了一种基于异构关系的社会协同过滤算法Hete-CF。与现有的方法不同，Hete-CF可以有效地利用异构社会网络中的多种类型的关系。此外，Hete-CF是一种通用方法，并且可以在任意社交网络中使用，包括基于事件的社交网络、基于位置的社交网络以及与社交信息相关联的任何其他类型的异构信息网络。在DBLP（一种典型的异构信息网络）和MeeShop（一种典型的基于事件的社交网络）两个真实数据集上的实验结果表明了该算法的有效性和高效性。
2014-12-24 cs.IR
Exploring Social Influence for Recommendation - A Probabilistic Generative Model Approach
在本文中，我们提出了一个概率生成模型，称为统一模型，自然统一的想法，社会影响力，协同过滤和基于内容的项目推荐方法。为了解决隐藏的社会影响的问题，我们设计了新的算法来学习我们的建议的模型参数的基础上期望最大化（EM）。除了我们的EM算法的单机版本，我们进一步设计了一个并行实现的Map-Reduce框架，处理我们收集的两个大规模的数据集。此外，我们表明，从我们的生成模型获得的社会影响力可以用于组推荐。最后，我们使用从last.fm和whrrl.com抓取的数据集进行综合实验，以验证我们的想法。实验结果表明，具有社会影响力的生成模型的性能显着优于那些没有纳入社会影响力。本文提出的统一生成模型获得了最好的性能。此外，我们对社会影响力的研究发现，whrrl.com的用户比last.fm的用户更容易受到朋友的影响。实验结果也证实了我们的基于社会影响力的群推荐算法优于最先进的群推荐算法。
2011-09-04 cs.IR cs.SI physics.soc-ph
RecDiff: Diffusion Model for Social Recommendation
University of Hong Kong（香港大学）
针对社交推荐中虚假连接污染用户嵌入的问题，提出基于隐空间扩散的去噪框架RecDiff，通过多步噪声扩散与去除优化用户表示，有效提升了推荐准确性、训练效率和去噪效果。
2024-06-01 cs.AI cs.IR cs.SI
Graph Bottlenecked Social Recommendation
提出图瓶颈社会推荐（GBSR）框架，从信息瓶颈角度学习去噪社会结构，最大化去噪图与推荐标签的互信息并最小化与原图的互信息，有效减少冗余社会关系并提升推荐性能。
2024-07-23 cs.IR
A Personalized Tag-Based Recommendation in Social Web Systems
最近，标记活动已被确定为关于个人兴趣、偏好、目标和从用户模型已知的其他属性的知识的潜在来源。因此，标签本身可以用于找到个性化的项目推荐。在本文中，我们提出了一个基于标签的推荐系统，建议相似的网页的基础上，他们的标签从Web 2.0标签应用程序的相似性。所提出的方法扩展了基本的相似性演算与外部因素，如标签的流行程度，标签的代表性和用户和标签之间的亲和力。为了研究和评估推荐系统，我们进行了一项实验，涉及来自12个国家的38人使用的数据从Del.icio.us，社会书签网络系统，用户可以分享他们的个人书签。
2012-03-01 cs.IR cs.SI
AFEL-REC: A Recommender System for Providing Learning Resource Recommendations in Social Learning Environments
在本文中，我们提出了AFEL-REC，社会学习环境的推荐系统的初步结果。AFEL-REC是建立在一个可扩展的软件架构，以提供近实时的学习资源的建议。此外，AFEL-REC可以处理社交学习环境中存在的任何类型的数据，例如资源元数据，用户交互或社交标签。我们提供了在AFEL-REC中实现的三个推荐用例的初步评估，我们发现以标签的形式利用社交数据不仅有助于提高推荐的准确性，而且有助于提高覆盖率。这篇论文应该是有价值的研究人员和从业人员有兴趣在社会学习环境中提供资源建议。
2018-08-14 cs.IR
Integrating Heterogeneous Information via Flexible Regularization Framework for Recommendation
近年来，社会化推荐兴起，它利用用户之间的社会关系来提高推荐性能。然而，在许多应用中，社会关系是不存在的或非常稀疏。同时，用户或项目的属性信息可以丰富。如何利用这些属性信息来提高推荐性能是一个很大的挑战。本文将推荐系统中的对象和关系组织成一个异构信息网络，并引入基于Meta路径的相似性度量来评估用户或项目的相似性。此外，提出了一种基于矩阵分解的双正则化框架SimMF，通过采用用户和项目的相似性作为对用户和项目潜在因子的正则化，灵活地集成不同类型的信息。大量的实验不仅验证了SimMF的有效性，而且还揭示了一些有趣的发现。我们发现，用户和项目的属性信息可以显着提高推荐准确率，他们的贡献似乎比社会关系更重要。实验还表明，不同的正则化模型对用户和项目有明显不同的影响。
2015-11-12 cs.IR cs.SI
Challenging Low Homophily in Social Recommendation
针对社交推荐中社交图偏好感知同质性低的问题，本文提出以数据为中心的SHaRe框架，通过Graph Rewiring和对比学习重构社交关系并校准用户表示，从而提升现有社交推荐模型的性能。
2024-02-20 cs.IR
An Anti_Turing Test: Reduced Variables for Social Network Friends' Recommendations
社交网络服务器的常规活动是推荐人们可能认识的候选朋友，并激励将这些人添加到人们的联系人中。一个有趣的问题是这些推荐列表是如何组成的。这项工作调查的主要变量参与的推荐活动，以重现这些列表，包括其时间依赖的特性。我们提出了相关的算法。除了传统的方法，如friend_of_a_friend，在以前的作品中没有强调两个重要的技术：随机化和直接使用的兴趣度标准。一个自动的软件工具来实现这些技术的建议。讨论了它的体系结构和实现。在对从社交网络中收集的实际数据进行初步分析后，使用该工具模拟社交网络好友的推荐。
2014-06-15 cs.IR cs.SI physics.soc-ph
Personalized Task Dependency Graphs for Mitigating Signal Erosion in Multi-Task Recommendation
Huawei Technologies Co., Ltd.（华为技术有限公司）
针对多任务推荐的信号侵蚀问题，提出个性化任务依赖图（PTDG），结合GCN传播与自适应渐进掩码策略，在多数据集实验及在线测试中均实现了推荐性能提升。
2026-09-07 cs.IR
Social Influences in Recommendation Systems
Flickr和Facebook等社交网站允许用户与家人、朋友和兴趣小组分享内容。此外，标签通常可以分配给资源。在以前的研究中，使用很少的关联规则FAR，我们已经看到，高质量和高效的基于关联的标签推荐是可能的，但我们考虑的设置是非常通用的，没有考虑到社会信息。特别是在前一篇论文中提出的方法FAR，在推荐质量和运行时间之间表现出良好的权衡。不幸的是，推荐质量不太可能是最佳的，因为算法不知道任何可能可用的社交信息。两种建议的方法采取了更多的社会观点标签推荐关于这个问题：社会联系变量和感兴趣的社会群体。用户数据是变化的并且用作关联的源。社会联系变量的采用有两种方法。第一个社会变体是以用户为中心的知识，以对比集体知识。它通过根据朋友关系和兴趣对历史标签数据进行分组来改进标签推荐。第二种变体被称为“社会批量个性化”，并试图通过批量处理查询而不是单独处理查询来解决质量和可扩展性问题，例如在传统的个性化方法中完成。对于感兴趣的社会群体，提出了“社区批处理personomy”，以提供更好的准确性群体的推荐系统，也集体知识。通过考虑社会信息可以提高推荐系统的性能。
2020-07-29 cs.IR
Robust Preference-Guided Denoising for Graph based Social Recommendation
基于图神经网络（GNN）的社会推荐模型通过利用GNN挖掘社会关系中包含的偏好相似性来提高用户偏好的预测精度。然而，就推荐的有效性和效率而言，很大一部分社会关系可能是冗余的甚至是嘈杂的，例如，朋友在某个领域没有共同的偏好是很正常的。现有的模型不能完全解决关系冗余和噪音的问题，因为它们直接表征了整个社交网络的社会影响力。在本文中，我们提出通过仅保留信息社会关系来改进基于图的社会推荐，以确保高效和有效的影响力扩散，即，图去噪我们设计的去噪方法是偏好引导的，以建立社会关系信心模型，并通过为推荐模型提供一个去噪但信息量更大的社交图来帮助用户偏好学习。此外，为了避免噪声社会关系的干扰，它设计了一个自校正课程学习模块和自适应去噪策略，都有利于高置信度的样本。在三个公开数据集上的实验结果表明，该算法通过鲁棒地删除10-40%的原始关系，对两种最先进的社会推荐模型具有一致的改进能力。我们在https://github.com/tsinghua-fib-lab/Graph-Denoising-SocialRec上发布源代码。
2023-03-15 cs.IR
HARRISON: A Benchmark on HAshtag Recommendation for Real-world Images in Social Networks
KAIST（韩国科学技术院）
简单、简短、紧凑的主题标签涵盖了社交网络上的广泛信息。尽管自然语言处理（NLP）领域的许多工作已经证明了主题标签推荐的重要性，但是针对图像的主题标签推荐几乎没有被研究。在本文中，我们介绍了HARRISON数据集，一个在社交网络中为真实世界图像推荐标签的基准。HARRISON数据集是一个真实的数据集，由来自Instagram的57，383张照片组成，每张照片平均有4.5个相关的标签。为了评估我们的数据集，我们设计了一个基线框架，包括基于卷积神经网络（CNN）的视觉特征提取器和基于神经网络的多标签分类器。在此基础上，在HARRISON数据集上对两种单一的基于特征的模型，即基于对象的模型和基于场景的模型，以及它们的集成模型进行了评估。我们的数据集表明，标签推荐任务需要对图像中传达的情况进行广泛的上下文理解。据我们所知，这项工作是社交网络中第一次尝试在现实世界的图像中进行hashtag推荐。我们希望这个基准能够加速标签推荐的发展。
2016-05-17 cs.CV 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
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
Leveraging Social Signal to Improve Item Recommendation for Matrix Factorization
尽管在过去的十年里，推荐系统在工业界和学术界都得到了广泛的研究，但目前的推荐系统大多存在以下问题：1）用户-项目矩阵的数据稀疏性严重影响了推荐系统的质量。因此，传统的推荐系统方法不能处理用户评价较少的问题，这就是推荐系统中的冷启动问题。2)传统的推荐系统假设用户是独立同分布的，忽略了用户之间的社会关系。然而，在现实生活中，由于社交网络服务，如Facebook和Twitter的指数增长，不同用户之间的社会联系起着重要的作用推荐系统的任务。在这项工作中，旨在提供一个更好的推荐系统，将用户的社会网络信息，我们提出了一个矩阵分解框架与用户的社会关系约束。在真实数据集上的实验结果表明，该方法在MAE和RMSE方面明显优于现有方法，特别是对于冷启动用户。
2018-05-17 cs.IR cs.SI
User recommendation in reciprocal and bipartite social networks -- a case study of online dating
我们日常生活中的许多社交网络都是建立在互惠基础上的双边网络。我们如何向用户推荐用户/朋友，让用户对推荐的用户感兴趣并产生吸引力？在本研究中，我们提出了一个新的协同过滤模型，以提高用户推荐在互惠和双向社交网络。该模型考虑了用户在挑选他人时的“品味”和被他人挑选时的“吸引力”。一个在线交友网络的案例研究表明，新模型在推荐初始联系人和互惠联系人方面都具有良好的性能。
2014-02-20 cs.IR cs.SI physics.soc-ph
P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Network
Xiamen University（厦门大学）；Insightone Tech Co., Ltd（智联科技有限公司）
本文提出P4GCN方法，通过隐私保护两方图卷积网络实现纵向联邦社交推荐，在无需直接访问敏感社交数据的前提下提升推荐准确性，并在四个数据集上验证其优于现有方法。
2025-02-04 cs.AI cs.IR cs.LG
A Multi-Modal Latent-Features based Service Recommendation System for the Social Internet of Things
针对现有社交物联网服务推荐方法未挖掘多模态内容下潜在物品-物品结构的问题，本文提出基于潜在特征的推荐系统，通过多模态聚合构建潜在物品图并结合图卷积优化物品表示，性能优于现有方法。
2024-04-13 cs.IR cs.SI
What You Like: Generating Explainable Topical Recommendations for Twitter Using Social Annotations
在Twitter上，每天发布超过5亿条推文，Twitter用户很难从大量无聊的帖子中发现有趣的内容。在这项工作中，我们提出了一个新的，可解释的，专题推荐系统，利用社会注释，以帮助Twitter用户发现推文，他们感兴趣的话题。在高容量社交网络中使用传统的依赖于评级的推荐系统（如协作过滤和基于内容的系统）的主要挑战是，由于注意力稀缺，大多数项目得不到任何评级。此外，大多数Twitter用户是被动消费者，44%的用户从不发推文，这使得使用用户评级来生成推荐非常困难。此外，开发推荐系统的一个关键挑战是，在许多情况下，如果用户完全不熟悉推荐项目，他们会拒绝相关的推荐。提供一个合适的解释，为什么该项目被推荐，大大提高了建议的可接受性。由于是一个专题推荐系统，我们的方法是能够产生的建议，目前简单的专题解释。与最先进的基于矩阵分解的协同过滤，基于内容和社会的建议的比较表明所提出的方法的有效性。
2022-12-23 cs.IR
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
Disentangling the Effects of Social Signals
同行推荐是一项众包任务，它利用许多人的意见来识别在线有趣的内容，如新闻，图像或视频。对等推荐应用通常使用社交信号，例如，事先推荐的数量，引导人们去看更感兴趣的内容。人们对社交信号的反应，结合内容质量及其呈现顺序，决定了同行推荐的结果，即，物品人气。使用Amazon Mechanical Turk，我们通过实验测量了社交信号在同行推荐中的影响。具体来说，控制后的变化，由于项目的内容和位置，我们发现，社会信号影响项目的流行程度约一半的位置和内容。这些效应在某种程度上是相互关联的，因此社会信号加剧了“富人更富”的现象，这导致了更广泛的受欢迎程度差异。此外，社交信号会改变个人偏好，产生“羊群效应”，使人们对内容的判断产生偏见。尽管如此，我们发现，社会信号提高了同行推荐的效率，减少了投入的努力，评估内容，同时保持推荐质量。
2016-01-27 cs.CY cs.IR cs.SI
Disentangled Graph Social Recommendation
社会化推荐系统在许多在线Web服务中引起了广泛的关注，因为它将用户之间的社会信息结合在一起以改善推荐结果。尽管现有的解决方案取得了显着的进步，我们认为，目前的方法不足，在两个局限性：（1）现有的社会意识的推荐模型只考虑项目之间的合作相似性，如何将项目明智的语义相关性是目前的推荐范式较少探索。(2)当前的社会推荐系统忽视了潜在因素在异质关系上的纠缠（例如，社会联系、用户-项目交互）。学习具有异质性的关系表示对社会推荐提出了很大的挑战。在这项工作中，我们设计了一个分离的图神经网络（DGNN）与潜在记忆单元的整合，使DGNN维护异构类型的用户和项目连接的因子分解表示。此外，我们设计了新的内存增强的消息传播和聚合计划下的图形神经架构，使我们能够递归地提取语义相关性到用户和项目的表示在一个完全自动的方式。在三个基准数据集上进行的大量实验验证了该模型的有效性，与最先进的推荐技术相比有了很大的改进。源代码可在https://github.com/HKUDS/DGNN上公开获取。
2023-03-14 cs.IR
Disentangled Contrastive Learning for Social Recommendation
The Hong Kong Polytechnic University（香港理工大学）；Southern University of Science and Technology（南方科技大学）；Centre for Artificial Intelligence and Robotics (HKISI_CAS)（人工智能与机器人研究所（香港科学院_中国科学院））
针对统一用户表示难以刻画协同域与社交域异构行为的问题，提出 DcRec 框架，通过解耦用户表示及跨域解耦对比学习实现知识迁移，并在多个真实数据集上验证了优越性。
2023-10-03 cs.AI cs.IR
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
Recommendation Fairness in Social Networks Over Time
Nanjing University（南京大学）；TU Graz（格拉茨工业大学）；Know-Center GmbH（Know-Center有限公司）；L3S Research Center（L3S研究中心）；Modul University Vienna（维也纳模组大学）；University of Mannheim（曼海姆大学）；GESIS - Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究所）
本文研究了社交网络中随时间变化的推荐公平性，发现公平性随时间提高，且少数族裔比例和同质化比例与公平性存在稳定关联。
2024-05-07 cs.CY cs.IR cs.SI
Burger: Robust Graph Denoising-augmentation Fusion and Multi-semantic Modeling in Social Recommendation
Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（未来区块链与隐私计算先进创新中心）；School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院）；School of Cyber Science and Engineering, Huazhong University of Science and Technology（华中科技大学网络安全与工程学院）
针对社交推荐中社交网络与用户-物品交互网络间语义相互影响的研究不足，提出Burger模型，通过构建社交张量、双语义协调损失及贝叶斯后验概率去噪，显著提升了推荐性能。
2025-09-15 cs.AI cs.IR cs.SI
Joint Topic-Semantic-aware Social Recommendation for Online Voting
在线投票是社交网络中的一个新兴功能，用户可以在其中表达他们对各种问题的态度，展示他们独特的兴趣。在线投票对推荐提出了新的挑战，因为投票的传播严重依赖于社交网络的结构以及投票的内容。在本文中，我们研究如何综合利用这两个因素时，进行投票推荐。首先，由于现有的文本挖掘方法，如主题模型和语义模型不能很好地处理内容的投票，这是典型的短和模糊的，我们提出了一种新的主题增强字嵌入（TEWE）方法来学习单词和文档表示，共同考虑他们的主题和语义。在此基础上，提出了一种基于联合主题语义感知的社会矩阵分解（JTS-MF）投票推荐模型。JTS-MF模型通过结合用户和投票的TEWE表示和社交网络的结构信息来计算用户和投票之间的相似度，并在矩阵分解过程中保持这种主题-语义-社会相似度。为了评估TEWE表示和JTS-MF模型的性能，我们在真实的在线投票数据集上进行了大量的实验。结果证明了我们的方法对几个国家的最先进的基线的有效性。
2017-12-03 cs.IR cs.SI stat.ML
Extracting Attentive Social Temporal Excitation for Sequential Recommendation
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；University of Glasgow（格拉斯哥大学）
在协同过滤中，充分利用社会信息来提高推荐质量是一种重要的方法，由于用户的行为会受到她的好友的影响，这已经被证明是有效的。然而，现有的工作，利用社会关系，聚集用户特征，从朋友的历史行为序列中的用户级间接范例。间接范式的一个显著缺陷是它忽略了跨用户的行为事件之间的时间关系。在本文中，我们提出了一个新的时间感知的顺序推荐框架称为社会时间激励网络（STEN），它引入了时间点过程模型的细粒度的影响，朋友的行为对用户的动态兴趣在事件级的直接范式。此外，我们建议将时序推荐中的时序效应分解为社会互时序效应和自我时序效应。具体来说，我们采用了一个社会异构图嵌入层，通过结构信息来细化用户表示。为了增强时间信息的传播，STEN通过相互激励的时间网络直接提取朋友行为的细粒度时间相互影响。此外，用户的动态兴趣是通过自激时序网络捕获。在三个真实世界数据集上的广泛实验表明，STEN优于最先进的基线方法。此外，STEN提供了事件级的推荐可解释性，这也是实验所示。
2021-09-28 cs.AI cs.IR cs.SI
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
Jointly Modeling Intra- and Inter-transaction Dependencies with Hierarchical Attentive Transaction Embeddings for Next-item Recommendation
基于事务的推荐系统（TBRS）旨在通过对事务数据中的依赖关系进行建模来预测下一个项目。通常，考虑两种类型的依赖关系：事务内依赖关系和事务间依赖关系。大多数现有的TBRS推荐下一个项目，只建模的事务内的依赖关系，而忽略了最近的事务，也可能影响下一个项目的事务间的依赖关系。然而，并非所有最近的交易都与当前和下一个项目相关，因此应确定相关交易并确定其优先次序。在本文中，我们提出了一种新的分层注意事务嵌入（HATE）模型来解决这些问题。具体而言，两级注意力机制集成项目嵌入和事务嵌入，以构建一个关注的上下文表示，结合了事务内和事务间的依赖关系。有了学习的上下文表示，HATE然后推荐下一个项目。两个真实世界的交易数据集上的实验评估表明，HATE显着优于国家的最先进的方法在推荐精度。
2020-05-30 cs.IR cs.LG
