HSR: Hyperbolic Social Recommender
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
随着在线社交媒体的流行，用户的社会联系被广泛研究并用于提高推荐系统的性能。在本文中，我们探讨了使用双曲几何的社会推荐。我们提出了双曲社会推荐（HSR），一个新的社会推荐框架，利用双曲几何，以提高性能。在双曲空间的帮助下，HSR可以学习高质量的用户和项目表示，以便更好地建模用户-项目交互和用户-用户社交关系。通过一系列广泛的实验，我们表明，我们提出的HSR优于它的欧几里得同行和国家的最先进的社会网络的点击率预测和top-K推荐，证明了社会推荐的有效性，在双曲空间。
2021-02-15 cs.IR cs.LG
Theoretically Accurate Regularization Technique for Matrix Factorization based Recommender Systems
正则化是解决机器学习算法过拟合问题的一种常用技术。大多数正则化技术依赖于正则化系数的参数选择。插入法和交叉验证法是岭回归、Lasso回归和核回归等回归方法中最常用的两种参数选择方法。基于矩阵分解的推荐系统也严重依赖于正则化技术。大多数人选择单个标量值来独立或共同正则化用户特征向量和项目特征向量。在本文中，我们证明了这种选择正则化系数的方法是无效的，我们提供了一个理论上准确的方法，优于最广泛使用的方法在准确性和公平性指标。
2022-05-21 cs.IR cs.LG
Interplay between Upsampling and Regularization for Provider Fairness in Recommender Systems
考虑推荐对项目提供者的影响是多方面推荐系统的任务之一。物品供应商是在线平台的关键利益相关者，他们的收入和计划受到其物品在推荐列表中的曝光度的影响。以前的工作表明，某些少数群体的供应商，其特点是一个共同的敏感属性（如，性别或种族）受到间接和无意歧视的影响不成比例。我们的研究在本文中处理的情况下，（$i$）相同的供应商是与多个项目的列表建议给用户，（$ii$）一个项目是由一个以上的供应商联合创建的，和（$iii$）预测用户项目的相关性分数有偏见地估计供应商组的项目。在这种情况下，我们评估的相关性，可见性和曝光的差异，通过模拟不同的代表性的少数群体的目录和互动。基于出现的不公平的结果，我们设计了一种治疗方法，结合观察上采样和损失正则化，同时学习用户项目相关性得分。对真实数据的实验表明，我们的处理导致较低的不同相关性。由此产生的推荐列表显示出更公平的可见性和曝光率，更高的少数项目覆盖率，以及推荐效用的可忽略损失。
2021-06-28 cs.IR
Point-of-Interest Recommender Systems based on Location-Based Social Networks: A Survey from an Experimental Perspective
兴趣点推荐是被广泛采用的称为推荐系统的技术中的一个日益增长的研究和开发领域。其中，那些利用来自基于位置的社交网络（LBSNs）的信息是非常流行的，现在可以与不同的信息源，这对整个社区提出了一些挑战和研究问题。我们提出了一个系统的审查，重点是在过去10年中所做的研究，这一主题。我们讨论和分类的算法和评估方法在这些作品中使用，并指出在该领域仍然开放的机遇和挑战。更具体地说，我们报告了领先的推荐技术和更经常被利用的信息源（例如地理信号和深度学习方法），同时我们还警告说，该领域缺乏可重复性，这可能会阻碍真正的性能改进。
2022-01-27 cs.IR
Socially-Aware Recommender Systems Mitigate Opinion Clusterization
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）；TU Eindhoven（埃因霍温技术大学）
本文提出一种考虑用户社会网络的推荐系统，以缓解过滤气泡和意见极化问题。
2026-01-02 cs.AI cs.IR
From Social Network to Semantic Social Network in Recommender System
由于新兴的Web 2.0的成功，以及不同的社交网络网站，如亚马逊和电影镜头，推荐系统正在创造前所未有的机会，以帮助人们浏览网页时，寻找相关的信息，并作出选择。通常，这些推荐系统分为三类：基于内容的推荐系统、协同过滤推荐系统和基于混合的推荐系统。通常，这些系统采用标准推荐方法，例如人工神经网络、最近邻或贝叶斯网络。然而，这些方法与基于web应用（诸如社交网络或语义web）的方法相比是有限的。在本文中，我们提出了一种新的方法，称为语义社会推荐系统，提高了利用语义社会网络分析的力量的社交网络的分析。在亚马逊的真实数据上进行的实验检验了我们推荐方法的质量和推荐算法的性能。
2015-07-17 cs.IR 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
Kernel-CF: Collaborative filtering done right with social network analysis and kernel smoothing
协同过滤是推荐系统领域最简单但最古老的机器学习算法。尽管它的历史悠久，但它仍然是研究场所的讨论主题。通常人们使用与目标客户的相似度得分大于0的用户/项目来计算算法。然而，经过仔细审查，这可能不是最佳解决方案。在本文中，我们将推荐系统的输入数据转换成一个2-D的社会网络，并应用核平滑计算用户项目评分矩阵中的未知值的偏好。本文将推荐系统的理论框架与非参数统计相结合，给出了一个实现该目标的算法流程和最优参数选择方法。
2023-03-08 cs.IR
An Investigation on Social Network Recommender Systems and Collaborative Filtering Techniques
如今，随着互联网信息的显着扩展，用户更愿意通过朋友或个人资料的一些建议来获得他们所需要的确切信息，以节省他们的时间和金钱。基于不同算法的推荐系统作为通过互联网实现这一目标的基本方法之一已经被提出，但它们都有自己的优点和缺点。在本研究中，我们选择并实施了两种方法，即协同过滤（CF）和社会网络推荐系统（SNRS）。基于找到一个涵盖友谊，评级和项目类别的数据集的一些限制，我们为10个类别，10个项目和100个用户生成了它，并比较了两种方法。我们使用平均绝对误差（MAE）和精度来比较两种方法的结果，发现SNRS方法，因为它被称为CF的改进版本的工作效率更高。
2017-08-01 cs.IR
Combining social relations and interaction data in Recommender System with Graph Convolution Collaborative Filtering
本文研究如何结合用户社交关系与评分历史相似性，提出去除异常值的输入处理方法，并基于图卷积协同过滤提升推荐系统的准确率和召回率。
2025-06-03 cs.IR
Balancing Benefits and Risks: RL Approaches for Addiction-Aware Social Media Recommenders
本文针对社交媒体成瘾问题，提出基于强化学习的成瘾感知推荐系统框架，通过非平稳动态建模、差异化状态表示和轻/重度使用区分，揭示推荐决策对用户成瘾倾向的影响，为伦理化自适应推荐设计提供依据。
2025-02-25 cs.CY cs.IR
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
A Novel C2C E-Commerce Recommender System Based on Link Prediction: Applying Social Network Analysis
社会网络分析在几十年前就已经成为社会学的一个重要研究课题，它也吸引了来自心理学、人类学、地理学和经济学等各个领域的科学家。近年来，利用社会网络分析来设计电子商业推荐系统的研究已经取得了显著的成果。目前大多数推荐系统都是针对B2C电子商业网站设计的。针对C2C电子商业网站的特点，提出了一种C2C电子商业商业模式推荐算法。本文将用户及其交易视为一个网络，通过这种映射，可以利用社会网络分析中的一项重要任务--链接预测技术来构建推荐系统。建议的两级推荐算法，而不是网络的拓扑结构，使用节点的功能，如：类别的项目，用户的评级，和卖家的声誉。结果表明，该模型可以用来预测一个C2C商业网络中的用户之间的未来交易的一部分。
2014-07-31 cs.IR cs.SI
Solving the Cold-Start Problem in Recommender Systems with Social Tags
本文提出了一种基于用户-标签-对象三部图的推荐算法，该算法将社会标签作为信息检索的重要角色。在两个真实数据集\emph{Del.icio.us}和\emph{MovieLens}上的实验结果表明，该算法不仅计算时间开销小，而且提高了算法的精度和多样性。特别是在用户标签主题多样化的情况下，能够获得更加个性化的推荐结果。此外，对算法精度依赖性的数值结果表明，该算法对小度对象特别有效，这让我们想起了推荐系统中著名的\emph{cold-start}问题.进一步的实验研究表明，该算法可以显着解决这一问题的社会标记系统的异构对象的程度分布。
2010-06-07 cs.IR physics.soc-ph
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
Why am I seeing this? Towards recognizing social media recommender systems with missing recommendations
针对社交媒体推荐系统影响评估因算法不透明等面临的挑战，提出基于图神经网络（GNNs）的自动推荐系统识别方法，通过训练推荐系统中性用户模型生成合成数据集并对比模型，实现隐藏推荐系统的准确检测，助力减少极化与错误信息。
2025-04-15 cs.IR cs.SI
STUDY: Socially Aware Temporally Causal Decoder Recommender Systems
Google Research（谷歌研究院）
STUDY提出一种社交感知的时间因果解码器推荐系统，通过单次前向传播联合推理社交群体，高效训练，并在阅读障碍学生书籍推荐中更准确预测参与度。
2023-09-05 cs.AI cs.IR cs.SI
Balancing Fairness and High Match Rates in Reciprocal Recommender Systems: A Nash Social Welfare Approach
CyberAgent, Inc.（CyberAgent公司）；School of Information Science and Technology, The University of Tokyo（东京大学信息理工学院）
本文提出纳什社会福利方法，用于在互惠推荐系统中平衡公平性与高匹配率，通过优化算法和实验验证其有效性。
2026-01-20 cs.IR
Ordinal Graph Gamma Belief Network for Social Recommender Systems
Xidian University（西安电子科技大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
为了建立推荐系统，不仅考虑用户项目的交互表示为有序变量，但也利用社会网络描述用户之间的关系，我们开发了一个分层贝叶斯模型，称为有序图因子分析（OGFA），它联合模型用户项目和用户用户之间的交互。OGFA不仅取得了良好的推荐性能，而且还提取了与代表性用户偏好相对应的可解释的潜在因素。我们进一步将OGFA扩展到有序图伽玛信念网络，这是一个多随机层的深度概率模型，可以在多个语义层次上捕获用户偏好和社交社区。为了有效的推理，我们开发了一个并行的混合Gibbs-EM算法，该算法利用了图的稀疏性，并可扩展到大型数据集。我们的实验结果表明，所提出的模型不仅在具有显式或隐式反馈的推荐数据集上优于最近的基线，而且还提供了可解释的潜在表示。
2022-09-12 cs.IR cs.LG
PLIERS: a Popularity-Based Recommender System for Content Dissemination in Online Social Networks
IIT-CNR（意大利国家研究委员会信息学与电信研究所）；University of Milano（米兰大学）
本文提出基于流行度的标签推荐系统PLIERS，通过匹配用户已有物品与标签的流行度，在算法复杂度与个性化之间取得平衡，并在真实在线社交网络数据集上验证其在个性化、相关性和新颖性方面优于现有方法。
2023-07-06 cs.IR cs.LG
Neural Representations in Hybrid Recommender Systems: Prediction versus Regularization
Rakuten Institute of Technology, Rakuten, Inc.（乐天株式会社乐天技术研究院）
基于自动编码器的混合推荐系统最近变得流行，因为它们能够通过重构各种信息源来学习用户和项目表示，包括用户对项目的反馈（例如，评级）以及用户和项目的辅助信息（例如，用户的职业和项目的标题）。然而，现有的系统仍然使用通过矩阵分解（MF）学习的表示来预测评级，同时使用通过神经网络学习的表示作为正则化器。在本文中，我们定义了神经表示预测（NRP）框架，并将其应用于自动编码器为基础的推荐系统。我们从理论上分析了我们的目标函数与以前的MF和基于自动编码器的方法的关系，并解释了使用神经表示作为正则化器意味着什么。我们还将NRP框架应用到一个直接的神经网络结构中，该结构可以在不重建用户和项目信息的情况下预测评级。我们在两个MovieLens数据集和两个真实世界的电子商务数据集上进行了广泛的实验。结果证实，神经表示比正则化更适合预测，并显示NRP框架与直接神经网络结构相结合，在预测任务中优于最先进的方法，具有更少的训练时间和记忆。
2020-10-12 cs.IR cs.LG
Survey for Trust-aware Recommender Systems: A Deep Learning Perspective
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）
现有推荐系统的一个重要挑战是用户可能不信任推荐系统，因为缺乏解释或推荐结果不准确。因此，拥有一个值得信赖的推荐系统变得至关重要。该调查提供了三种类型的信任感知推荐系统的系统总结：利用用户的社会关系的社会感知推荐系统;过滤不真实噪音的鲁棒推荐系统（例如，垃圾邮件发送者和虚假信息）或增强攻击抵抗力;提供推荐项目解释的可解释推荐系统。我们专注于基于深度学习技术的工作，这是推荐研究中的一个新兴领域。
2020-10-06 cs.IR cs.LG
Large-scale Personalized Video Game Recommendation via Social-aware Contextualized Graph Neural Network
随着网络游戏的大量涌现，网络游戏推荐系统对用户和网络游戏平台来说都是必不可少的。前者可以发现更多他们感兴趣的潜在在线游戏，后者可以吸引用户在平台上停留更长时间。本文研究了Steam平台上在线游戏的用户行为特征。基于观察，我们认为，一个令人满意的在线游戏推荐系统能够表征：个性化，游戏情境化和社会联系。然而，同时解决所有问题对于游戏推荐来说是相当具有挑战性的。首先，个性化的游戏推荐需要加入的逗留时间的参与游戏，这是在现有的方法中被忽略。其次，游戏情境化应该反映这些关系的复杂性和高阶性。最后但并非最不重要的是，由于社交关系中的大量噪音，直接使用社交关系进行游戏推荐是有问题的。为此，我们提出了一个社会感知的上下文图神经推荐系统（SCGRec），它利用三个角度来提高游戏推荐。我们对用户的网络游戏行为进行了全面的分析，这就激发了在网络游戏推荐中处理这三个特征的必要性。
2022-02-11 cs.IR
Recommender Systems for Online and Mobile Social Networks: A survey
IIT-CNR（意大利国家研究委员会信息学与电信研究所）
本文综述了面向在线与移动社交网络的推荐系统，重点分析社交上下文信息如何提升推荐效果，以及标准算法在机会网络等分布式环境中的优化需求，并总结了现有系统的优缺点与开放挑战。
2023-06-28 cs.IR cs.LG cs.SI
Do Social Explanations Work? Studying and Modeling the Effects of Social Explanations in Recommender Systems
与社交网络相关联的推荐系统通常使用社交解释（例如，“X、Y和2个朋友喜欢这个”）来支持推荐。我们提出了一个研究这些社会解释的音乐推荐背景下的影响。我们从237个用户的实验开始，在这个实验中，我们展示了不同层次的社会信息的解释，并分析了它们对用户决策的影响。我们区分了两个关键的决定：检查推荐的艺术家的可能性，以及基于听几首歌的艺术家的实际评级。我们发现，虽然解释的可能性有一定的影响，有可能性和实际（听）评级为同一艺术家之间的相关性不大。基于这些见解，我们提出了一个生成概率模型，解释解释和音乐偏好的背景信息之间的相互作用，以及如何导致艺术家的最终可能性评级。承认解释的影响，我们讨论了一个一般的建议框架，模型外部信息元素的推荐界面，除了用户的固有偏好。
2013-04-11 cs.IR cs.SI physics.soc-ph
Recommending With, Not For: Co-Designing Recommender Systems for Social Good
本文主张面向社会公益的推荐系统应通过参与式民主过程与利益相关者共同设计，而非仅由设计师主导，以确保系统真正服务于社会目标。
2025-08-05 cs.CY cs.HC cs.IR
Developing an NLP-based Recommender System for the Ethical, Legal, and Social Implications of Synthetic Biology
NORC at the University of Chicago（芝加哥大学NORC研究所）
合成生物学是一个新兴领域，涉及生物体的工程和重新设计，用于食品安全，健康和环境保护等目的。因此，它对研究人员和政策制定者提出了许多伦理，法律和社会影响（ELSI）。正在进行各种努力，以确保对社会负责的合成生物学。政策制定是一种监管途径，其他举措也试图将社会科学家和伦理学家纳入合成生物学项目。然而，考虑到合成生物学的新生，它跨越的异质领域的数量，以及许多伦理问题的开放性，建立广泛的具体政策已被证明具有挑战性，并且将社会科学家和伦理学家纳入合成生物学团队已经取得了好坏参半的成功。本文提出了一种不同的方法，而是问是否有可能开发一个性能良好的推荐模型的基础上自然语言处理（NLP）连接合成生物学家与信息的ELSI他们的具体研究？这个推荐器是作为一个更大的项目的一部分开发的，该项目建立了一个合成生物学知识系统（SBKS），以加速合成生物学设计空间的发现和探索。我们的方法旨在为合成生物学家提取相关的伦理和社会科学信息，并将其嵌入合成生物学研究工作流程中。
2022-07-10 cs.AI cs.CY cs.IR
Social Trust as a solution to address sparsity-inherent problems of Recommender systems
在过去，信任已经被许多研究者作为一种成功的辅助推荐系统的解决方案进行了探索。尽管使用信任网络方案来辅助推荐产生的方法被很好地采用，但是到目前为止，关于这一点，诸如稀疏性问题之类的问题还没有被充分地探讨。在这项工作中，我们提出并测试了一个计划，使用现有的用户评级来计算他们之间可能存在的假设信任。其目的是展示一些基本的社交网络应用于现有系统时，可以帮助缓解传统的推荐系统方案的问题。有趣的是，这些计划也缓解了主要是新用户所遭受的冷启动问题。为了显示系统在这方面有多好，我们在系统发展的不同时间测量性能，我们还将解决方案与现有方法进行了对比。最后，我们提出的结果证明，这样的计划无疑比一个系统，使没有使用的信任。
2012-08-05 cs.IR cs.SI
StARS: Socially Appropriate Robot Actions via a Recommender System-Driven Approach
Bogazici University（博阿齐奇大学）；University of Cambridge（剑桥大学）
研究人机交互中社交适宜动作生成问题，提出模型无关框架StARS，结合协同过滤与可学习场景表示生成用户特定适宜性得分，在多数据集评估中提升性能与一致性，支持个性化动作选择。
2026-07-27 cs.IR cs.RO
LambdaOpt: Learn to Regularize Recommender Models in Finer Levels
Microsoft Research（微软研究院）
推荐模型主要处理分类变量，例如用户/项目ID和属性。除了高基数问题，这些分类变量之间的相互作用通常是长尾的，头部由高频率值组成，长尾由罕见值组成。这种现象导致了数据稀疏性问题，因此有必要对模型进行正则化以确保泛化。通常的做法是使用网格搜索来根据验证数据手动调整正则化超参数。然而，它需要非平凡的努力和大量的计算资源来搜索整个候选空间;即使如此，它也可能不会导致最佳选择，因为不同的参数应该具有不同的正则化强度。在本文中，我们提出了一种超参数优化方法LambdaOpt，它可以在训练过程中自动自适应地执行正则化。具体来说，它根据验证数据的性能更新正则化系数。使用LambdaOpt，可以避免臭名昭著的正则化超参数的调整;更重要的是，它允许细粒度的正则化（即每个参数可以有一个个性化的正则化系数），从而产生更好的广义模型。我们展示了如何使用LambdaOpt的矩阵分解，一个经典的模型，是一个大家庭的推荐模型的代表。在两个公共基准测试上的大量实验证明了该方法在提高top-K推荐性能方面的优越性。
2019-05-28 cs.IR cs.LG stat.ML
Emergence of scale-free leadership structure in social recommender systems
研究社交网络的组织对于理解舆论形成、谣言传播以及潮流和时尚的出现都很重要。本文报告的实证分析网络提取的四个领先的网站与社会功能（美味，Flickr，Twitter和YouTube），并表明，他们都显示出无标度的领导结构。为了重现这一特点，我们提出了一个自适应网络模型驱动的社会推荐。基于人工代理的模拟这个模型突出了一个“好的更富有”的机制，用户广泛的利益和良好的判断很可能成为受欢迎的领导者。仿真结果表明，所研究的社会化推荐机制可以逐步改善用户体验，适应其用户的口味。最后，我们概述了真正的在线资源共享系统的影响。
2011-04-28 cs.IR cs.SI physics.soc-ph
Multi-Output Recommender: Items, Groups and Friends, and Their Mutual Contributing Effects
由于社交媒体技术的发展，用户更容易聚集在一起形成群组。以Last.fm为例，用户可以加入他们可能感兴趣的群组，在那里他们可以分享他们喜爱的歌曲，讨论有关歌曲和歌手的话题。然而，随着时间的推移，群组的数量越来越多，用户需要有效的群组推荐，以满足更多志同道合的用户。
2012-10-16 cs.IR
A Soft Recommender System for Social Networks
Islamic Azad University（伊斯兰阿扎德大学）
最近的社交推荐系统受益于友谊图来做出准确的推荐，相信社交网络中的朋友具有完全相同的兴趣和偏好。一些研究已经受益于硬聚类算法（如K-means），以确定用户之间的相似性，从而定义的友谊程度。在本文中，我们更进一步地识别真正的朋友，以便提出更现实的建议。我们计算了用户之间的相似性，以及用户和项目之间的依赖性。我们的假设是，由于用户偏好的不确定性，模糊聚类，而不是经典的硬聚类，是有益的准确推荐。结合C-均值算法得到软用户聚类的不同隶属度。然后，根据软聚类定义用户的相似性度量。随后，在训练方案中，我们确定了用户和项目的潜在表示，使用矩阵分解从庞大而稀疏的用户-项目-标签矩阵中提取。在参数调整中，我们找到了软社会正则化和用户项依赖项影响的最佳系数。我们的实验结果表明，所提出的模糊相似性度量提高了实际数据中的建议相比，基线社会推荐系统与硬聚类。
2020-01-08 cs.IR cs.LG cs.SI
Reimagining Social Robots as Recommender Systems: Foundations, Framework, and Applications
University of Cambridge（剑桥大学）
本文提出将推荐系统应用于社交机器人，以提升个性化能力，通过整合RS技术建立框架并促进跨领域合作。
2026-01-27 cs.IR cs.RO
Utilizing Online Social Network and Location-Based Data to Recommend Products and Categories in Online Marketplaces
最近的研究揭示了在线社交网络对于提高推荐系统质量的重要性，并鼓励研究界研究更好的利用社交信息进行推荐的方法。为了促进这一稀疏的研究领域，在本文中，我们利用用户沿着三个数据源（市场，社交网络和基于位置的）的交互来评估他们在一个几乎没有研究过的领域的表现：推荐产品和感兴趣的领域（即，产品类别）提供给在线市场环境中的人。为此，我们为每个数据源定义了基于内容和网络的用户相似性特征集，并使用基于用户的协同过滤（CF）方法和混合推荐算法相结合来研究它们，以评估哪一个提供最佳推荐性能。有趣的是，在我们对从流行的在线虚拟世界SecondLife收集的丰富数据集进行的实验中，我们发现，依赖于从社交网络数据中获得的用户相似性特征的预测者在预测产品的准确性方面显然产生了最好的结果，而从市场和基于位置的数据源获得的特征在预测类别的情况下也获得了非常好的结果。这一发现表明，所有三种类型的数据来源都很重要，应根据建议任务的专业化程度加以考虑。
2014-09-08 cs.IR
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
Holistic Collaborative Privacy Framework for Users' Privacy in Social Recommender Service
现有推荐服务的当前商业模型围绕用户的个人数据在他们身边的可用性，而消费者必须相信推荐服务提供商不会以恶意的方式使用他们的数据。随着侵犯隐私的案件越来越多，不同国家和公司都颁布了隐私法律和法规，以确定保护个人信息的最佳做法。数据保护第95/46/EC号指令和经济合作与发展组织（经合组织）制定的隐私原则就是这种监管框架的例子。在本文中，我们断言，利用第三方推荐服务来生成准确的推荐是可行的，同时保护用户的敏感信息的隐私，这些信息将仅驻留在他/她自己的设备上的清晰形式上。因此，受益于第三方推荐服务的每个用户将对从他/她自己的偏好中释放的内容具有绝对控制权。我们提出了一个协同隐私中间件，执行一个分布式数据汇集协议内的两个阶段的隐藏过程，以达到这一要求。此外，所提出的解决方案以自然和功能的方式符合公平信息实践的常见隐私监管框架之一-即经合组织隐私原则。本文提出的方法很容易集成到当前的业务模型，因为它是使用一个中间件，运行在最终用户端，并利用社会性质的内容分发服务，实现拓扑数据汇集协议。
2014-11-13 cs.CR cs.IR
Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems
Stanford University（斯坦福大学）；Meituan-Dianping Group（美团点评集团）；Hong Kong Polytechnic University（香港理工大学）
知识图谱捕获一组实体或项目之间的结构化信息和关系。因此，知识图谱代表了一个有吸引力的信息源，可以帮助改善推荐系统。然而，该领域中的现有方法依赖于手动特征工程，并且不允许端到端训练。在这里，我们提出了知识感知的图神经网络与标签平滑正则化（KGNN-LS），以提供更好的建议。从概念上讲，我们的方法计算用户特定的项目嵌入，首先应用一个可训练的功能，确定重要的知识图谱的关系，为给定的用户。通过这种方式，我们将知识图谱转换为用户特定的加权图，然后应用图神经网络来计算个性化的项目嵌入。为了提供更好的归纳偏差，我们依赖于标签平滑性假设，该假设假定知识图谱中的相邻项可能具有相似的用户相关性标签/分数。标签平滑提供了正则化的边缘权重，我们证明了它是等价于一个标签传播计划的图。我们还开发了一个高效的实现，表现出强大的可扩展性方面的知识图谱的大小。在四个数据集上的实验表明，我们的方法优于最先进的基线。KGNN-LS还在用户-项目交互稀疏的冷启动场景中实现了强大的性能。
2019-06-14 cs.IR cs.LG stat.ML
The Impact of Situation Clustering in Contextual-Bandit Algorithm for Context-Aware Recommender Systems
上下文感知推荐系统（CRS）中的大多数现有方法专注于考虑上下文信息（例如时间、位置或社交方面）向用户推荐相关项目。然而，很少有人考虑到用户的内容动态性的问题。我们在本文中介绍了一种算法，处理用户的内容动态性建模的CRS作为一个上下文的强盗算法，并通过包括一个情况聚类算法，以提高精度的CRS。在一个精心设计的离线模拟框架内，我们用真实的在线事件日志数据进行评估。实验结果和详细的分析揭示了上下文感知推荐系统中的几个重要发现。
2014-03-30 cs.IR
Managing Popularity Bias in Recommender Systems with Personalized Re-ranking
许多推荐系统都存在受欢迎程度偏差：受欢迎的产品会被频繁推荐，而不太受欢迎的小众产品则很少推荐或根本不推荐。然而，推荐“长尾”中被忽视的产品对企业至关重要，因为它们不太可能被发现。在本文中，我们引入了一个个性化的多样化重新排名的方法，以增加不太受欢迎的项目的建议，同时保持可接受的推荐精度的代表性。我们的方法是一个后处理步骤，可以应用于任何推荐系统的输出。我们表明，我们的方法是能够更有效地管理流行的偏见，与现有的方法相比，基于正则化。我们还检查了新的和现有的指标来衡量推荐中长尾项的覆盖率。
2019-08-12 cs.IR
Implicit Feedback-based Group Recommender System for Internet of Thing Applications
随着基于物联网（IoT）的社交媒体应用的普及，人与人之间的距离大大缩短。因此，基于物联网的社交媒体中的推荐系统需要面向用户群体而不是单个用户开发。然而，现有的方法高度依赖于显式偏好反馈，忽略了隐式反馈的情况。为了弥补这一差距，本文提出了一个隐式反馈为基础的群体推荐系统，使用概率推理和非合作博弈（GREPING）基于物联网的社交媒体。特别地，未知的过程变量可以通过贝叶斯后验概率推断从可观察的隐式反馈估计。此外，可以计算全局最优的推荐结果与非合作博弈的援助。通过两组实验从效率和鲁棒性两个方面对GREPING进行了评估。实验结果表明，与基线方法相比，GREPING有明显的提升和相当的稳定性。
2021-04-23 cs.AI cs.IR
YOURPRIVACYPROTECTOR, A recommender system for privacy settings in social networks
确保社交网络用户的隐私可能是一个无法解决的难题。同时，社交网络参与者对现有隐私选项的知情使用可以减轻-甚至防止-一些更严重的隐私厌恶事件。不幸的是，最近的调查显示，普通用户要么不知道这些选项，要么不使用它们，可能是由于它们的复杂性。因此，有理由相信，帮助用户完成两项任务的工具：1）根据他们的隐私设置和广泛的隐私类别了解他们的社交网络行为，以及2）推荐合理的隐私选项，将是社交网络环境中日常隐私实践的有价值的工具。本文介绍了YourPrivacyProtector，一个推荐系统，显示如何简单的机器学习技术可以提供有用的帮助，在这两个任务的Facebook用户。我们支持我们的主张与经验的结果YourPrivacyProtector应用到两组Facebook用户。
2016-02-05 cs.CR cs.CY cs.IR
Mobile recommender systems: Identifying the major concepts
本文确定了移动推荐系统的影响因素。推荐系统已经成为在存在信息过载问题的情况下被各种在线应用广泛使用的技术。电子商务、视频平台和社交网络等众多应用向其用户提供个性化推荐，这改善了用户体验和供应商收入。推荐系统的发展主要集中在提出新的算法，提供更准确的建议。然而，移动设备的使用以及互联网和网络基础设施的快速增长带来了使用移动推荐系统的必要性。网络和移动推荐系统之间的联系，以及如何在移动环境中的建议，可以改善描述。这项工作的重点是确定网络和移动推荐系统之间的联系，并提供坚实的未来方向，旨在导致在一个更集成的移动推荐域。
2018-05-06 cs.IR
Social Recommender Systems Based on Coupling Network Structure Analysis
在过去的几年里，推荐系统取得了巨大的成功，它可以显着地帮助用户找到相关的和有趣的项目，他们在信息时代。然而，这一领域的大量研究主要集中在预测二分用户-项目网络（以行为网络为代表）中的缺失链接。相对而言，对网络的社会影响，尤其是基于网络结构的属性的研究相对较少。本文首先分别从社交网络和行为网络中获得了相应的五个基于网络的特征，包括用户活跃度、平均邻居度、聚集系数、选型系数和区分度。提出了一种混合算法来整合来自两个各自网络的这些特征。随后，我们采用了一个机器学习过程，使用这些功能，在一个二元分类器的方法提供推荐结果。在真实数据集Flixster上的实验结果表明，该方法可以显著提高算法的精度。此外，由于基于网络的属性不仅考虑了社交活动，而且还考虑了行为网络中的用户偏好，因此，它的性能比社交网络或行为网络要好得多。此外，由于基于行为网络的特征包含了更多样和更有意义的结构信息，它们在揭示用户的潜在偏好方面起着至关重要的作用，这可能对深入理解社会和行为网络的结构和功能具有启发意义。
2012-04-09 cs.IR cs.SI physics.soc-ph
Multidimensional Social Network in the Social Recommender System
所有在线共享系统都收集反映用户集体行为及其共享活动的数据。这些数据可以用来提取不同类型的关系，这些关系可以被分组到层中，并且是本文提出的多维社会网络的基本组成部分。这些层是基于人与人之间的两种类型的关系创建的，即直接关系和基于对象的关系，它们分别对应于个体之间的社会或语义联系。为了更好地了解社会网络结构的复杂性，层和他们的配置文件进行了识别和研究的两个，跨越时间，Flickr人口的快照。此外，对于每一层，提出了单独的强度措施。在Flickr照片共享系统上的实验表明，用户之间的关系要么来自他们操作的对象之间的语义链接，要么来自这些用户的社会联系。此外，社交网络的密度随着时间的推移而增加。研究的第二部分是致力于建立一个社会推荐系统，支持在多媒体共享系统中创建新的用户之间的关系。它的主要目标是根据多维社交网络中分配给每个层的个人权重生成不断适应用户需求的个性化建议。所进行的实验证实了所提出的模型的实用性。
2013-03-01 cs.IR cs.SI physics.soc-ph
When Algorithms Mirror Minds: A Confirmation-Aware Social Dynamic Model of Echo Chamber and Homogenization Traps
提出确认感知社会动态模型，通过整合用户心理与社交关系模拟推荐交互，理论证明回音室与同质化必然发生，并通过实证揭示系统、用户、平台三层面驱动因素及缓解策略。
2025-08-15 cs.IR cs.SI
Post-Training Attribute Unlearning in Recommender Systems
针对推荐模型训练后需消除未显式学习的敏感属性隐私风险，本文提出 PoT-AU 设置，并用可区分性损失与函数空间正则化损失实现属性不可区分且保持推荐性能。
2024-10-24 cs.IR
Recommenders with a mission: assessing diversity in newsrecommendations
新闻发布者帮助用户找到相关的在线内容，并有可能在民主社会中发挥关键作用，将公民稀缺的注意力引导到对他们最重要的信息上。与此同时，最近对所谓的过滤泡沫、错误信息和选择性曝光的担忧，是这些数字新闻传播者破坏性潜力的症状。推荐系统可以制造或打破过滤气泡，因此可以帮助创建一个更封闭或更开放的互联网。目前评估推荐系统的方法通常集中在测量用户点击和短期参与的增加，而不是测量用户对各种重要信息的长期兴趣。本文的目的是弥合规范的多样性概念，植根于民主理论，和定量指标评估推荐系统之间的差距。我们提出了一套基于社会科学的多样性解释的指标，并提出了实际实施的方法。
2020-12-18 cs.IR
A Connection-Centric Survey of Recommender Systems Research
推荐系统试图通过基于用户偏好从通用集合中选择项目的子集来减少信息过载并留住客户。虽然推荐系统的研究是从信息检索和过滤中发展起来的，但这个主题已经稳步发展成为一个合法而具有挑战性的研究领域。推荐系统传统上是从基于内容的过滤与协同设计的角度来研究的。然而，建议不是在真空中提出的，而是在非正式的用户社区和社会环境中提出的。因此，所有的推荐系统最终都是建立在人与人之间的联系上的，因此应该从这样一个角度来审视。这个观点在推荐系统的文献中被低估了。因此，我们采取连接导向的观点对推荐系统的研究。我们认为，推荐有一个固有的社会元素，并最终旨在连接人直接作为明确的用户建模的结果，或间接通过发现隐含在现有数据中的关系。因此，推荐系统的特征在于它们如何对用户进行建模以将人们聚集在一起：显式或隐式。最后，用户建模和以连接为中心的观点提出了更广泛的社会问题-例如评估，定位，隐私和信任-我们也简要地解决了这些问题。
2003-07-30 cs.HC cs.IR
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
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
PBiLoss: Popularity-Aware Regularization to Improve Fairness in Graph-Based Recommender Systems
Department of Computer Engineering（计算机工程系）；Amirkabir University of Technology (Tehran Polytechnic)（阿美里克大学（德黑兰理工大学））
本文提出PBiLoss，一种基于正则化的损失函数，通过惩罚模型对流行项的倾向来提升基于图的推荐系统的公平性，实验表明其能有效减少推荐的流行度和多样性指标，同时保持准确性。
2026-04-29 cs.AI cs.IR cs.NE
Preference-Consistent Knowledge Distillation for Recommender System
针对推荐系统特征知识蒸馏中存在的偏好不一致问题，提出含两个正则化项及混合策略的PCKD方法，聚焦高偏好物品缓解该问题，经多数据集和骨干模型验证有效并开源代码。
2025-01-13 cs.IR
Predictive accuracy of recommender algorithms
本文在受控实验中比较三种传统推荐算法与两种深度学习算法的预测准确性，发现深度学习算法表现较弱并探讨过拟合及正则化改进方向。
2024-06-26 cs.IR
