首页/论文/1804.09073

arXiv 1804.090732018-04-24cs.SI

通过用于现场演出推荐的协作网络传播内容相似性

Propagation of content similarity through a collaborative network for live show recommendation

Jean Creusefond, Matthieu Latapy

备注：: 6 pages

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

我们提出了一个基于网络的推荐系统的现场表演（音乐会，剧院，马戏团等），发现一组人可能感兴趣的一个给定的，新的节目。我们结合协作和基于内容的过滤，以利用用户过去的活动和新节目的功能。事实上，由于这个节目是新的，我们不能仅仅依靠协同过滤。为了解决这个冷启动问题，我们执行网络对齐，并以与协同过滤一致的方式插入新节目。我们使用网络中的扩展来改进所获得的相似性。我们说明了我们的系统在大规模真实世界的数据集上的性能。

英文摘要：

We present a network-based recommender system for live shows (concerts, theater, circus, etc) that finds a set of people probably interested in a given, new show. We combine collaborative and content-based filtering to take benefit of past activity of users and of the features of the new show. Indeed, as this show is new we cannot rely on collaborative filtering only. To solve this cold-start problem, we perform network alignment and insert the new show in a way consistent with collaborative filtering. We refine the obtained similarities using spreading in the network. We illustrate the performances of our system on a large scale real-world dataset.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于图的可靠协作排名

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。

2018-11-03cs.SI

面向社交推荐的双域协同去噪

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。

2024-05-08cs.IRcs.SI

基于用户简档的协同过滤个性化电影推荐冷启动问题研究

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。

2019-06-02cs.IRcs.SI

基于图的协同排名

Graph-based Collaborative Ranking

数据稀疏性是基于邻域的协同过滤领域中的一个普遍问题，通常会使项目推荐过程变得复杂。这个问题在协同排名领域中更为严重，因为在协同排名领域中，计算用户相似度和推荐项目都是基于排名数据的。已经提出了一些基于图的方法来解决数据稀疏问题，但它们有两个缺陷。首先，它们无法正确地对用户的优先级进行建模，其次，当唯一可用的数据是一组排名而不是评级值时，它们无法使用。在本文中，我们提出了一种新的基于图的方法，称为GRank，这是专为协作排名域。GRank可以在一种新的三分图结构中正确地建模用户的优先级，并对其进行分析，从而直接推断出推荐列表。实验结果表明，在推荐质量的显着改善相比，最先进的基于图的推荐算法和其他协作排名技术。

2017-01-31cs.IRcs.SI

协同推荐中的偏差差异：数学评价与比较

Bias Disparity in Collaborative Recommendation: Algorithmic Evaluation and Comparison

Eindhoven University of Technology（埃因霍温理工大学）；DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）

机器学习中的公平性研究最近已经扩展到推荐系统。可能影响公平性的因素之一是偏见差异，即一个群体对各种项目类别的偏好未能反映在他们收到的推荐中的程度。在某些情况下，原始数据中的偏差可能会被潜在的推荐算法放大或逆转。在本文中，我们探讨了不同的推荐算法如何反映排名质量和偏见差距之间的权衡。我们的实验包括基于邻域的，基于模型的，和信任感知的推荐算法。

2019-08-02cs.IRcs.LGcs.SI

基于社交曝光的协同过滤：一种模块化的社交推荐方法

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。

2017-11-30cs.IRcs.SI

更多相关论文收起更多论文

CUPCF：协同过滤中结合用户偏好的推荐方法

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。

2019-08-13cs.IRcs.SI

协同推荐系统中与性别歧视相关的潜在因素研究

Investigating Potential Factors Associated with Gender Discrimination in Collaborative Recommender Systems

个性化推荐技术的激增引起了人们对不同性别、年龄组和种族或民族人群之间推荐性能差异的担忧。这种不同程度的性能可能会影响用户对系统的信任，并可能在公平和公正是关键问题的领域（如工作推荐）中造成法律和道德问题。在本文中，我们调查了几个潜在的因素，可能与歧视性的性能的推荐算法，女性与男性。我们专门研究了用户简档的几个特征，并分析了它们与系统对不同性别的不同行为的可能关联。这些特征包括评分行为的异常、用户档案的熵和用户档案的大小。我们在一个公共数据集上使用四种推荐算法的实验结果表明，基于所有提到的三个因素，女性得到的推荐不如男性准确，这表明推荐算法在性别上的不公平性。

2020-02-18cs.IRcs.SI

基于社会矩阵分解的协同主题回归推荐系统

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。

2012-06-18cs.IRcs.SI

Keen2Act：在线社交协作平台中的活动推荐

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。

2020-05-11cs.IRcs.LGcs.SE

一种用于兴趣点推荐的联合两阶段时间敏感正则化协作排序模型

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。

2019-09-16cs.CYcs.IRcs.LG

生成即排序：基于统一语义-协同ID的端到端生成式 slate 推荐

Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs

Kuaishou Technology（快手科技）；Peking University（北京大学）；Nanjing University（南京大学）

研究针对现有生成式 slate 推荐的缺陷，提出 OGR 框架，引入 TUSID 与 SPA 方法，在离线实验和快手在线测试中均取得显著性能提升。

2026-08-19cs.IRcs.SI

一种基于加权随机块模型的混合推荐算法

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。

2019-05-08cs.SImath.OC

从零到英雄：一个面向人群工作者的协同市场感知推荐系统

From Zero to The Hero: A Collaborative Market Aware Recommendation System for Crowd Workers

Stevens Institute of Technology（史蒂文斯理工学院）

软件众包的成功依赖于活跃和值得信赖的工人供应池。人群工作者行为的不确定性使得预测工作者的成功并相应地计划具有挑战性。在竞争激烈的众包市场中，对共享任务的成功竞争给众包工作者的决策过程增加了另一层不确定性。对软件工作者行为的初步分析显示，82.9%的任务丢失率令人震惊。这些因素导致需要一个自动化的推荐系统，以提高CSD工作人员在竞争中成功的可见性和可预测性。为此，本文提出了一个协同推荐系统的人群工作者。建议的推荐系统方法使用五个输入指标的基础上工人的合作历史，工人的喜好，在采取任务的奖金和持续时间，工人的专业，和工人的熟练程度。然后，所提出的方法建议最合适的任务，工人竞争的基础上，工人的成功概率的任务。对260名活跃人群工作者的实验结果表明，仅遵循任务推荐的前三个成功概率，工作者的成功率可达86%

2021-07-06cs.HCcs.LGcs.SE

融合协同过滤和社会关系提高推荐质量

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。

2011-09-30cs.IRcs.SIphysics.soc-ph

LFGCF：用于标签感知推荐的轻量级大众分类图协同过滤

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。

2022-08-06cs.AIcs.IRcs.SI