The Unfairness of Popularity Bias in Music Recommendation: A Reproducibility Study
Know-Center GmbH（Know-Center有限公司）；Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；Graz University of Technology（格拉茨技术大学）
研究表明，推荐系统通常偏向于受欢迎的项目，这导致不太受欢迎的项目在推荐中代表性不足。Abdollahpouri等人最近在电影推荐方面的工作表明，这种流行偏见导致长尾项目以及对流行项目不感兴趣的用户受到不公平的对待。在本文中，我们再现了Abdollahpouri等人的分析。在音乐推荐的背景下。具体来说，我们调查了LastFM音乐平台的三个用户组，这些用户组根据他们的收听偏好与数据集中所有LastFM用户中最流行的音乐的偏离程度进行分类：（i）低主流用户，（ii）中等主流用户，（iii）高主流用户。根据Abdollahpouri等人的意见，我们发现，最先进的推荐算法也偏爱音乐领域中的流行项目。然而，他们提出的组平均流行度度量对LastFM产生了与电影领域不同的结果，可能是由于可用项目的数量更大（即，音乐艺术家）在LastFM数据集我们使用。最后，我们比较了三个用户组的推荐算法的准确性结果，发现低主流化组显着收到最差的建议。
2019-12-19 cs.IR cs.LG cs.SI
Personalized recommendation against crowd's popular selection
海量数据中的个性化推荐问题越来越受到人们的关注。传统的研究大多忽略了推荐对象的受欢迎程度，导致推荐的个性化程度和准确性不高。本文提出了一种基于加权对象网络的个性化推荐方法，对推荐对象进行惩罚，即反人气指数（Anti-popularity index，AP），该方法与主流推荐方法相比，具有较低的计算复杂性，提高了推荐的个性化、准确性和多样性。
2014-05-13 cs.IR cs.SI physics.soc-ph
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
Popularity Debiasing from Exposure to Interaction in Collaborative Filtering
针对推荐系统流行度偏差问题，提出IPL标准及带正则化项的去偏框架，实现去偏与性能双赢，并在四个数据集上验证。
2023-05-09 cs.IR cs.SI
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
Revisiting Information Diffusion Beyond Explicit Social Ties: A Study of Implicit-Link Diffusion on Twitter
University of Tsukuba（筑波大学）；Saitama University（埼玉大学）
研究探讨了Twitter上隐式链接对信息扩散的影响，发现远离信息源的用户更倾向于通过隐式链接扩散信息，尽管隐式链接贡献较小，但对跨不同社区的传播有重要作用。
2026-01-08 cs.SI
Global and country-specific mainstreaminess measures: Definitions, analysis, and usage for improving personalized music recommendation systems
基于流行度的方法在音乐推荐系统中被广泛采用，无论是在工业界还是在研究中。然而，由于音乐项的流行度分布通常是长尾分布，因此基于流行度的音乐推荐方法不能满足具有专门音乐的听众。本文的贡献有三个方面。我们提供了几个定量的措施，描述了接近用户的音乐偏好的音乐主流。我们定义的措施在两个层面上：听众的音乐偏好的全球音乐偏好的所有用户，或将它们与用户的国家的音乐偏好。此外，我们采用了基于分布和基于秩的方法来减少对长尾分布头部的偏差。我们分析了国家之间的差异，他们的主流化水平，发现积极和消极的离群值（显着更高和更低的国家特定的受欢迎程度，分别与全球主流相比），并调查国家之间的差异，在有关流行音乐艺术家的收听偏好。我们使用标准化的LFM-1b数据集，从中分析了音乐流媒体平台Last.fm的约53，000名用户（来自47个国家）共享的约800万个收听事件。我们发现，有大量的国家特定的差异，听众的音乐消费行为方面最受欢迎的艺术家听取。我们进行评级预测实验中，我们量身定制的建议，以用户的偏好水平的音乐主流使用建议的6个主流措施。结果表明，在收视率预测精度方面，每一个主流的定义有其优点。
2019-12-14 cs.IR cs.SI
Network, Popularity and Social Cohesion: A Game-Theoretic Approach
在社会动力学的研究中，凝聚力是指一个群体保持团结的倾向，正如社会计量学所认为的那样，这种倾向源于群体成员之间人际关系的网络拓扑结构。我们遵循这一思想，提出了一个基于游戏的凝聚力模型，不仅依赖于社会网络，但也反映了个人的社会需求。特别是，我们的模型是一种合作游戏，玩家可以通过策略性地形成群体来获得人气。如果大联盟的核心稳定，那么一个群体就是社会凝聚力。我们研究了一些特殊类型的图的社会凝聚力，并绘制了社会凝聚力和结构凝聚力的经典概念之间的联系。然后，我们专注于决定一个给定的社交网络是否具有社会凝聚力的问题，并表明这个问题是CoNP完全的。尽管如此，我们给出了两个有效的联盟结构，球员享有很高的知名度和实验评估他们的表现。
2016-12-26 cs.CC cs.GT cs.MA
SEAGET: Seasonal and Active hours guided Graph Enhanced Transformer for the next POI recommendation
提出 SEAGET 模型，通过将季节变化、运营状态和时间动态整合到图增强 Transformer 框架中，重新定义 POI 流行度，提升下一个 POI 推荐的准确性和上下文感知能力。
2025-04-02 cs.SI
Reading the Source Code of Social Ties
虽然在线社交网络的研究在过去几年中呈爆炸式增长，但对社会联系本质的探索却没有得到太多的考虑。在线交互已经被解释为指示一种社会过程或另一种社会过程（例如，地位交换或信任），往往很少有系统的理由，关于观测数据和理论概念之间的关系。我们的研究旨在通过提出一种无监督、无参数的方法来高精度地发现社交网络中发生的交互的基本域，从而打破计算社会科学中的这一空白。通过将这种方法应用于两个不同的范围和类型的互动（aNobii和Flickr）的在线数据集，我们观察到自发出现的三个领域的互动代表交流的状态，知识和社会支持。通过发现交互域和经典社会网络分析问题之间的重要关系（例如，随着时间的推移的关系强度、二元交互），我们展示了由所提取的域引起的交互网络如何可以用作对在线社交数据进行更细致分析的起点，这些在线社交数据有朝一日可能会并入社交交互的规范语法。我们的方法发现应用在在线社交媒体服务，从推荐到视觉链接摘要。
2014-07-21 cs.CY cs.SI physics.soc-ph
Inferring the strength of social ties: a community-driven approach
在线社交网络正在增长并变得越来越密集。一个人的社会关系可能具有很高的可变性：从亲密的朋友和亲戚到熟人，再到几乎不认识的人。推断社会关系的强度是对网络中的用户交互进行建模并理解其行为的重要组成部分。此外，该问题在计算社会科学，病毒式营销和人员推荐中也有应用。在本文中，我们研究的问题，推断在一个给定的网络中的社会关系的强度。我们的工作是由最近的一种方法[27]推动的，该方法利用了强三元闭合（STC）原理，这是一种植根于社会心理学的假设[13]。为了指导我们的推理过程，除了网络结构之外，我们还将紧密社区的集合作为输入。这些是我们期望通过强关系连接的顶点集合。这些社区出现在不同的情况下，例如，当成为社区的一部分意味着与现有成员之一的紧密联系时。我们考虑两个相关的问题形式化，反映了我们的设置的假设：少量的STC违规和强连接的输入社区。我们表明，这两个问题的配方是NP-困难的。我们还表明，一个问题的制定是很难近似，而第二，我们开发了一个算法与近似保证。我们通过与分别优化STC违规和社区连通性的基线进行比较，在真实世界的数据集上验证了所提出的方法。
2019-02-05 cs.DS cs.SI
A Coupled Friedkin-Johnsen Model of Popularity Dynamics in Social Media
本文提出一个广义的离散时间 Friedkin-Johnsen 动力学系统，建模社交媒体上影响者争夺流行度的演化过程，揭示了社会影响、过往流行度与内容质量对流行度的共同作用。
2025-06-30 cs.SI cs.SY eess.SY
Heterophily-Aware Fair Recommendation using Graph Convolutional Networks
本文提出HetroFair，一种基于图卷积网络的公平推荐系统，通过公平感知注意力和异质性特征加权，在六个数据集上减轻物品侧不公平和流行度偏差，同时提升用户侧准确性。
2025-08-05 cs.IR cs.LG cs.SI
Step Out of Your Comfort Zone: More Inclusive Content Recommendation for Networked Systems
网络化系统广泛应用于诸如社交网络、基础设施网络和生物网络的现实世界场景中。在这些应用中，我们感兴趣的社交网络，由于其复杂性和流行性。社交网络上的一个关键任务是根据图结构的特殊特性推荐新内容。在这个项目中，我们的目标是通过防止推荐倾向于封闭社区的内容来增强推荐系统。为了消除这种偏见，我们将考虑将网络上的信息传播作为评估内容推荐的指标，例如新连接和新闻提要。我们使用学术合作网络和Yelp的用户-项目交互数据集来模拟连接推荐的环境，并验证所提出的算法。
2021-06-19 cs.SI
Hijacking online reviews: sparse manipulation and behavioral buffering in popularity-biased rating systems
College of Knowledge and Library Science, School of Informatics, Tsukuba University（知识与图书馆科学学院，信息学院，筑波大学）；College of Engineering, Shibaura Institute of Technology（工学院，柏市技术大学）
研究探讨恶意评论者如何利用流行度偏向的评分动态，并分析用户行为异质性对损害的缓解作用，发现稀疏攻击比广泛攻击更具破坏性，且用户异质性能部分缓冲评分扭曲。
2026-03-16 cs.AI 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
Flexible Generation of Preference Data for Recommendation Analysis
University of Calabria（卡塔尼娅大学）；ICAR-CNR（ICAR-国家研究委员会）；Revelis s.r.l.（Revelis公司）；University of Udine（乌迪内大学）
针对推荐系统模拟对高灵活合成数据的需求，提出由交互程度、物品流行度、用户参与度驱动的HYDRA偏好生成模型，可生成相似采纳行为的用户社群并混合概率分布模拟多样场景，经基准实验验证能复现真实数据模式，助力推荐系统开发测试。
2025-05-16 cs.AI cs.IR cs.SI
A Simulation Study of Social-Networking-Driven Smart Recommendations for Internet of Vehicles
Sohar University（苏哈尔大学）
在权衡物联网（IoT）的潜力时，连接和信息传播的社会方面往往被忽视。在车联网（IoV）这一专门领域，引入了社会化车联网（SIoV），以体现其重要性。假设车联网产生的大数据有一个更普遍可接受的标准化，那么使其有效使用的社会维度仍然是一个挑战。提出了一种基于Agent的上下文感知推荐车辆间信息共享模型。该模式坚持社会层面作为人类社会。在合理的连通性和数据约束条件下，对一些重要的假设进行了检验。仿真结果表明，关闭的社会关系和它的时间影响分散的新信息（必要的推荐系统）显着。还观察到，随着网络由于增量交互而发展，保证在同等优秀的竞争对手之间公平分配车辆的建议是不可能的。
2019-05-30 cs.AI cs.MA cs.SI
