Generating Reliable Friends via Adversarial Training to Improve Social Recommendation
近年来的社会化推荐研究大多假设人们与他们的朋友分享相似的偏好，并且在线社会关系有助于改进传统的推荐系统。然而，这种假设往往是站不住脚的，因为在线社交网络是相当稀疏的，大多数用户只有少量的朋友。此外，由于建立社交网络过程中的随机性，显性朋友可能不会分享相似的兴趣。因此，为每个用户发现一些可靠的朋友在推进社交推荐中起着重要作用。与其他研究侧重于提取有价值的显性社会联系不同，我们的工作注重在观察到的和未观察到的社交网络中识别可靠的朋友。具体来说，本文提出了一个基于生成对抗网（GAN）的端到端社会化推荐框架。该框架由两个模块组成：一个生成器，用于生成可能增强社交推荐模型的好友;一个搜索器，负责评估这些生成的好友，并根据当前用户及其好友的偏好对项目进行排名。通过生成器和搜索器之间的竞争，我们的框架可以动态地自适应地生成可靠的朋友，这些朋友可以完美地预测当前用户在特定时间的偏好。结果，显式社会关系的稀疏性和不可靠性问题可以得到缓解，社会推荐性能显着提高。在真实数据集上的实验研究证明了该框架的优越性，并验证了生成的可靠朋友的积极效果。
2019-09-08 cs.IR cs.SI
Improving Smart Conference Participation through Socially-Aware Recommendation
这项研究致力于向参与者推荐智能会议上的演示文稿。我们提出了一个场地推荐算法，社会意识的场地和环境推荐（SARVE）。SARVE计算会议参与者的相关性和社会特征信息。为了使用分布式社区发现对推荐过程进行建模，SARVE进一步集成了智能会议社区和参与者的当前上下文。SARVE推荐每个参与者可能高度感兴趣的演示文稿。我们使用真实世界的数据集来评估SARVE。在我们的实验中，我们比较SARVE两个相关的国家的最先进的方法，即：上下文感知移动推荐服务（CAMRS）和会议导航（推荐）模型。我们的实验结果表明，在所使用的评价指标：精度，召回率和f-测量，SARVE实现更可靠和有利的社会（关系和上下文）推荐结果。
2020-08-09 cs.IR cs.SI
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
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
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
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
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
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
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
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
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
Towards Psychometrics-based Friend Recommendations in Social Networking Services
社交网络服务的两个定义元素是社交简档和社交图，其中社交简档包含关于用户的信息，社交图包含关于用户之间的连接的信息。社交网络服务用于连接到已知的人以及发现新的联系人。当前的朋友推荐机制通常利用社交图。在本文中，我们认为，心理测量学，测量人格特质的领域，可以帮助基于包含收集的智能手机传感器数据的扩展社交配置文件进行有意义的朋友推荐。这将支持高度分布式的社交网络服务的开发，而无需对社交图进行集中了解。
2017-11-17 cs.SI
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
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
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
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
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
Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias
Jilin University（吉林大学）；The Hong Kong Polytechnic University（香港理工大学）；Griffith University（格里菲斯大学）
本文提出CGSoRec模型，通过去噪社交网络和调整用户偏好权重，缓解推荐中的流行偏见。模型包含条件引导的社交去噪和扩散推荐模块，在三个真实数据集上验证了有效性。
2026-04-10 cs.LG cs.SI
Social Explorative Attention based Recommendation for Content Distribution Platforms
在现代社交媒体平台中，有效的内容推荐应该既有利于创作者为他们带来真正的利益，也有利于消费者帮助他们获得真正有趣的内容。为了解决现有的社会推荐方法的局限性，我们提出了社会探索注意力网络（SEAN），社会推荐框架，使用个性化的内容推荐模型，以鼓励个人兴趣驱动的推荐。SEAN有两个版本：（1）SEAN-END 2 END允许用户的注意力向量关注文档中的个性化兴趣点。(2)SEAN-KEYWORD从用户的历史阅读中提取关键字，以捕捉他们的长期兴趣。它比第一个版本快得多，更适合实际使用，而SEAN-END 2 END更有效。这两个版本都允许个性化因素关注用户在社交网络上的高阶朋友，以提高推荐结果的准确性和多样性。构建两个数据集在两种语言，英语和西班牙语，从一个流行的分散的内容分发平台，Steemit，我们比较SEAN模型与国家的最先进的协同过滤（CF）和基于内容的推荐方法。实验结果表明，SEAN的有效性在两个基尼系数的推荐平等和F1分数的推荐准确性。
2020-12-09 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
A Distributed Method for Trust-Aware Recommendation in Social Networks
本文详细介绍了一个分布式的信任感知推荐系统。基于信任的广告商最近受到了很多关注。基于信任的推荐主要是为了解决传统协同过滤推荐中存在的问题。这些问题包括用户冷启动、易受攻击等。我们提出的方法是一种分布式的方法，可以很容易地部署在社交网络或现实生活中的网络，如传感器网络或对等网络。
2010-11-10 cs.SI
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
Personalized recommendation system based on social relationships and historical behaviors
以往的研究表明，基于用户历史行为的推荐算法可以提供令人满意的推荐性能。这些算法大多关注用户的兴趣，而忽略了社会关系对用户行为的影响。社会关系不仅承载着相似消费偏好或行为的内在信息，而且隐含着个体对邻居的影响。在本文中，我们假设社会关系和用户的历史行为是与相同的因素。基于这一假设，我们提出了一种算法，专注于社会关系，通过这两种类型的信息相互约束的推荐系统。我们测试了我们的算法的四种类型的用户，包括所有用户，活跃用户，非活跃用户和冷启动用户的性能。结果表明，该算法优于基准在四种类型的情况下，建议的准确性和多样性指标。我们进一步设计了一个随机化模型来研究社会关系对推荐性能的贡献，结果表明，在所提出的算法中，社会关系的贡献取决于社会关系和历史行为的耦合强度。
2022-07-14 cs.SI
ConsisRec: Enhancing GNN for Social Recommendation via Consistent Neighbor Aggregation
社会化推荐旨在融合社会链接和用户-项目交互，以缓解评分预测的冷启动问题。图神经网络（GNN）的最新发展激励人们努力设计基于GNN的社交推荐框架，以同时聚合社交和用户-项目交互信息。然而，大多数现有的方法忽略了社会不一致的问题，这直观地表明，社会联系不一定是一致的评级预测过程。社会不一致性可以从情境和关系两个层面观察到。因此，我们打算赋予GNN模型解决社会不一致问题的能力。我们建议通过将采样概率与邻居之间的一致性得分相关联来对一致的邻居进行采样。此外，我们使用关系注意力机制来分配具有高重要性因素的一致关系以进行聚集。在两个真实数据集上的实验验证了模型的有效性。
2021-05-05 cs.SI
Personalized Social Recommendations - Accurate or Private?
随着最近像Facebook这样的社交网络的兴起，新形式的推荐已经成为可能--个性化的广告推荐、内容推荐，甚至是基于一个人的社交互动的新朋友和产品联系。由于推荐可能使用敏感的社交信息，因此推测这些推荐与隐私风险相关。这项工作的主要贡献是在正规化这些预期的权衡之间的准确性和隐私的个性化社会建议。在本文中，我们研究是否“社会建议”，或建议，完全基于用户的社交网络，可以在不披露敏感的链接在社交图。更准确地说，我们量化的效用损失时，现有的推荐算法进行修改，以满足一个强有力的隐私概念，称为差分隐私。我们证明了任何推荐算法的最小效用损失的下界是差异私人。我们适应两个隐私保护算法的差分隐私文献的社会建议的问题，并分析其性能的下限相比，分析和实验。我们表明，良好的私人社交推荐仅适用于社交网络中的一小部分用户或宽松的隐私参数设置。
2011-05-21 cs.CR cs.DB cs.SI
A Survey of Link Recommendation for Social Networks: Methods, Theoretical Foundations, and Future Research Directions
链接推荐已经引起了业界和学术界的广泛关注。在工业中，链接推荐已经成为在线社交网络中的标准和最重要的特征，其突出的示例包括LinkedIn上的“你可能认识的人”和Google+上的“你可能认识的人”。在学术界，链接推荐一直是一个非常活跃的研究领域。本文综述了最新的链接推荐方法，这些方法可以大致分为基于学习的方法和基于邻近度的方法。我们进一步确定社会和经济理论，如社会互动理论，这些方法的基础，并从理论角度解释为什么链接推荐方法的工作原理。最后，我们建议在几个方向扩展链接推荐研究，包括基于效用的链接推荐，链接推荐的多样性，不完全数据的链接推荐，以及链接推荐的实验研究。
2015-11-05 cs.SI physics.soc-ph
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
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
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
Utility-based Link Recommendation for Online Social Networks
链接推荐是主要在线社交网络提供的一项关键功能，它建议链接以连接当前未链接的用户。链接推荐的突出例子包括Facebook和LinkedIn上的“你可能认识的人”以及Google+上的“你可能认识的人”。在线社交网络的主要利益相关者包括用户（例如，Facebook用户），其使用网络与其他用户和运营商（例如，Facebook Inc.）其为了自身的利益而建立和操作网络（例如，收入）。现有的链接推荐方法推荐的链接很可能是由用户建立的，但忽略了所推荐的链接可以给运营商带来的好处。为了解决这个问题，我们定义了效用的链接推荐和制定一个新的研究问题-基于效用的链接推荐问题。然后，我们提出了一种新的基于效用的链接推荐方法，建议链接的基础上的价值，成本和链接的可能性，与现有的链接推荐方法，只专注于链接的可能性。具体来说，我们的方法模型之间的依赖关系的价值，成本，链接的可能性和效用为基础的链接推荐决策使用贝叶斯网络，预测的概率与贝叶斯网络推荐的链接，并建议链接的概率最高。使用从一个主要的美国在线社交网络获得的数据，我们证明了显着的性能改善，我们的方法相比，从代表性的先前研究的流行链接推荐方法。
2016-03-19 cs.SI
LA-LDA: A Limited Attention Topic Model for Social Recommendation
USC Information Sciences Institute（南加州大学信息科学研究所）；University of Maryland（马里兰大学）
社交媒体用户的注意力有限，这限制了他们可以处理的来自朋友的传入消息的数量。此外，他们比其他人更关注某些朋友的意见和建议。在本文中，我们提出了LA-LDA，一个潜在的主题模型，其中包括有限的，非均匀分布的注意力在扩散过程中的意见和信息在社会网络上传播。我们表明，我们提出的模型是能够学习更准确的用户模型，从用户的社交网络和项目采用行为比模型，不考虑有限的注意力。我们分析了社会新闻聚合器Digg上的新闻项目投票，并表明我们提出的模型能够更好地预测投票。我们的研究表明，心理社会动机的模型比只考虑主题的模型有更好的描述和预测观察到的行为的能力。
2013-01-26 cs.IR cs.LG cs.SI
Graph Neural Networks for 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）
近年来，图神经网络（GNNs），它可以自然地集成节点信息和拓扑结构，已被证明是强大的学习图形数据。GNN的这些优点为推进社会推荐提供了巨大的潜力，因为社会推荐系统中的数据可以表示为用户-用户社交图和用户-项目图;学习用户和项目的潜在因素是关键。然而，构建基于GNN的社会推荐系统面临着挑战。例如，用户-项目图对交互及其相关联的意见进行编码;社会关系具有异质强度;用户涉及两个图（例如，用户-用户社交图和用户-项目图）。为了同时解决上述三个挑战，在本文中，我们提出了一种新的图神经网络框架（GraphRec）的社会建议。特别是，我们提供了一个原则性的方法来共同捕捉用户项图中的交互和意见，并提出了框架GraphRec，它连贯地建模两个图和异构的优势。在两个真实数据集上的大量实验证明了所提出的框架GraphRec的有效性。我们的代码可在\url{https://github.com/wenqifan03/GraphRec-WWW19}上获得
2019-11-23 cs.IR cs.LG cs.SI
SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation
Hefei University of Technology（合肥工业大学）；Missouri University of Science and Technology（密苏里科技大学）；Microsoft Research Asia（微软亚洲研究院）
协同过滤是推荐系统中最成功的方法之一。随着在线社交网络的出现，社会化推荐成为一个热门的研究方向。这些社会推荐模型大多利用每个用户的本地邻居的偏好，以减轻CF中的数据稀疏性问题。然而，他们只考虑了每个用户的本地邻居，而忽略了用户的偏好的过程中，作为社会网络中的信息扩散。最近，图卷积网络~（GCN）通过利用图的结构和节点特征信息对图中的信息扩散过程进行建模，显示出很好的结果。为此，在本文中，我们提出了一个有效的图卷积神经网络为基础的社会推荐模型。基于经典的CF模型，我们提出的模型的核心思想是，我们借用GCN的优势，以捕捉用户的偏好是如何影响的社会扩散过程中的社交网络。用户偏好的扩散建立在逐层扩散的方式上，初始用户嵌入是当前用户特征和不包含在用户特征中的自由基用户特征向量的函数。类似地，每个项的隐向量也是项的自由隐向量及其特征表示的组合。此外，我们表明，我们提出的模型是灵活的，当用户和项目功能不可用。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。
2019-07-11 cs.IR cs.LG cs.SI
Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach
Università degli Studi di Milano-Bicocca（米兰比可卡大学）；University of Regensburg（雷根斯堡大学）；National Research Council of Italy（意大利国家研究委员会）
针对社交媒体推荐算法影响难研究的问题，提出以学术社交网络为代理，用图神经网络构建分离信息圈与行为预测的模型，模拟推荐信息圈并验证合作预测效果，公开代码以支持可复现。
2024-10-06 cs.AI cs.IR cs.LG
The role of taste affinity in agent-based models for social recommendation
在互联网时代，在线社交媒体成为个人之间分享意见和信息的主要工具。在这项工作中，我们研究了一个自适应模型的社交网络，定向链接连接用户具有相似的口味，并通过社会推荐的信息传播。基于代理的模拟两个不同的人工设置建模用户的口味与模式在真实数据中看到的，这表明用户在他们的兴趣范围不同是一个更现实的假设比用户只在他们的特定利益不同。我们进一步引入了一套广泛的相似性度量的基础上，用户的过去的评估，并评估其使用在给定的社会推荐模型与人工模拟和真实数据。观察到优越的推荐性能相似性指标，优先考虑用户的小范围-谁因此作为选择性过滤器在社会推荐。
2013-01-18 cs.SI physics.soc-ph
A multi-theoretical kernel-based approach to social network-based recommendation
City University of Hong Kong（香港城市大学）；National Chengchi University（国立政治大学）
本研究提出一种基于多理论核方法的社会网络推荐模型，通过整合多种社交网络理论并采用非线性多核学习，在真实电影数据集上取得了优于信任方法和协同过滤的推荐精度。
2024-12-15 cs.IR cs.LG cs.SI
