Personality-Driven Social Multimedia Content Recommendation
Steklov Institute of Mathematics at St. Petersburg(圣彼得堡斯捷克洛夫数学研究所)
社交媒体营销在向广大受众推广品牌和产品价值方面发挥着至关重要的作用。为了提高广告收入,Facebook Ads等全球媒体购买平台不断减少品牌有机帖子的覆盖范围,推动品牌在付费媒体广告上投入更多资金。为了有效地运行有机和付费的社交媒体营销,有必要了解受众,定制内容以适应他们的兴趣和在线行为,这是不可能大规模手动完成的。与此同时,各种性格类型分类方案,如Myers-Briggs性格类型指标,通过以统一和结构化的方式对受众行为进行分类,可以在更广泛的范围内揭示性格特质与用户内容偏好之间的依赖关系。这个问题还有待于研究界深入研究,而不同的人格特质对内容推荐准确性的影响程度还没有被广泛利用和全面评估。具体来说,在这项工作中,我们调查的影响,人类的个性特征的内容推荐模型,通过应用一种新的个性驱动的多视图内容推荐系统,称为个性内容营销推荐引擎,或PersiC。我们的实验结果和真实案例研究表明,PersiC不仅能够执行高效的人性化多视图内容推荐,而且还可以提供可操作的数字广告策略建议,与原始的人工引导方法相比,部署后能够将数字广告效率提高420%以上。
2022-07-25 cs.AI cs.IR
Context-Aware Service Recommendation System for the Social Internet of Things
University of Science and Technology Beijing(北京科技大学);University College Dublin(都柏林大学学院)
针对社交物联网中设备关系与服务评论情境利用不足的问题,提出聚合设备关系、结合因子分解机建模高阶交互并融合评论的推荐框架,提升了评分预测及服务推荐的准确性与相关性。
2023-08-14 cs.AI cs.IR cs.NI
Causal Disentanglement for Regulating Social Influence Bias in Social Recommendation
School of Electrical and Data Engineering, University of Technology Sydney(悉尼科技大学电气与数据工程学院);School of Artificial Intelligence, Chongqing University of Arts and Sciences(重庆文理学院人工智能学院)
针对社交推荐中社交影响偏差盲目消除会损害推荐效果的问题,提出基于因果解耦的框架CDRSB,通过解耦嵌入和动态权重调节偏差,在四个真实数据集上优于现有最优方法。
2024-03-06 cs.AI cs.SI
To Explain Or Not To Explain: An Empirical Investigation Of AI-Based Recommendations On Social Media Platforms
LUT University(拉彭兰塔-拉赫蒂理工大学);Norwegian University of Science and Technology(挪威科技大学)
本文以Facebook用户为对象进行定性研究,发现用户遇到陌生内容或关注数据安全时需要简洁、非技术性的推荐解释,并据此提出设计启示和综合框架。
2025-08-13 cs.AI cs.HC
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
Sequential Voting Promotes Collective Discovery in Social Recommendation Systems
École Polytechnique Fédéreal de Lausanne(洛桑联邦理工学院);Massachusetts Institute of Technology(麻省理工学院)
在线社交推荐系统的一个目标是利用群体的智慧来识别高质量的内容。然而,这些系统通常使用的顺序投票机制与现有的最佳聚合理论和经验文献不一致。这些文献表明,顺序投票将促进羊群效应-个人复制周围其他人的决定的倾向-因此导致次优的内容推荐。是我们的实践有问题,还是我们的理论有问题?以前回答这个问题的尝试受到缺乏内容质量客观衡量标准的限制。质量通常被定义为在没有社会影响的情况下内容的受欢迎程度。这个指标的缺陷在于它的前提是,大众的偏好与潜在的质量是一致的。因此,为了更好地评估社会推荐系统的设计选择,需要内容质量可以被外部定义和客观测量的领域。在这项工作中,我们着眼于教育领域,内容质量可以通过学生能够从呈现给他们的材料中学习的程度来衡量。通过一个行为实验,涉及亚马逊土耳其机器人上运行的模拟大规模开放式在线课程(MOOC),我们表明,顺序投票系统可以比引发独立投票的系统更好地呈现内容。
2016-03-14 cs.AI cs.HC cs.IR
PADER: Paillier-based Secure Decentralized Social Recommendation
Zhejiang University(浙江大学)
PADER是一种基于Paillier加密的去中心化社交推荐系统,通过安全多项式计算和优化的数据打包方案,实现隐私保护下的高效推荐
2026-01-15 cs.AI cs.CR
Global Context Enhanced Social Recommendation with Hierarchical Graph Neural Networks
South China University of Technology(华南理工大学);JD Finance America Corporation(京东金融美国公司);VIPS Research(唯品会研究院);Baidu inc(百度公司)
社会化推荐旨在利用用户之间的社会联系来提高推荐性能。随着深度学习技术的复兴,许多努力已经致力于开发各种基于神经网络的社交推荐系统,诸如注意力机制和基于图的消息传递框架。然而,两个重要的挑战还没有得到很好的解决:(i)大多数现有的社会推荐模型未能充分探索多类型的用户-项目交互行为以及潜在的跨关系的相互依赖。(ii)虽然学习到的社交状态向量能够对成对用户依赖关系进行建模,但它在捕获跨用户的全局社交上下文方面仍然具有有限的表示能力。为了解决这些限制,我们提出了一个新的社会推荐框架与分层图神经网络(SR-HGNN)。特别地,我们首先设计了一个关系感知的重构图神经网络,将跨类型协作语义注入到推荐框架中。此外,我们进一步增强SR-HGNN与社会关系编码器的基础上的互信息学习范式之间的低级别的用户嵌入和高级别的全球表示,这赋予SR-HGNN的能力,捕捉全球社会背景信号。三个公共基准的实证结果表明,SR-HGNN显着优于国家的最先进的推荐方法。源代码可在以下网址获得:https://github.com/xhcdream/SR-HGNN。
2021-10-08 cs.AI cs.IR cs.LG
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
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
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
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
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
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
Improving Graph Convolutional Networks with Transformer Layer in social-based items recommendation
HMI Lab VNU University of Engineering and Technology(河内国立大学工程与技术大学 HMI 实验室)
本文提出在GCN中引入Transformer编码器层,通过注意力机制重排节点特征空间,提升社交网络评分预测和链接预测性能。
2024-01-12 cs.AI cs.IR cs.LG
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
Federated Social Recommendation with Graph Neural Network
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Beihang University(北京航空航天大学)
推荐系统是通过学习嵌入来预测用户对项目的潜在兴趣的系统。图神经网络~(GNN)的最新发展也为推荐系统提供了强大的骨干,以从用户项图中学习嵌入。然而,由于数据汇集的困难,仅利用用户-项目交互会遭受冷启动问题。因此,目前的努力提出融合社会信息与用户项目的互动,以减轻它,这是社会推荐问题。现有的工作使用GNN同时聚合社交链接和用户-项目交互。然而,它们都需要集中存储用户的社交链接和项目交互,这导致了隐私问题。此外,根据《一般数据保护条例》的严格隐私保护,集中式数据存储在未来可能不可行,因此迫切需要一个分散的社交推荐框架。为此,我们设计了一个新的框架\textbf{Fe}起草的\textbf{So}社会建议与\textbf{G}的神经网络(FeSoG)。首先,FeSoG采用关系注意和聚合来处理异构性。其次,FeSoG使用本地数据推断用户嵌入以保持个性化。最后但并非最不重要的是,该模型采用伪标签技术与项目抽样,以保护隐私和加强训练。在三个真实数据集上的大量实验证明了FeSoG在完成社会推荐和隐私保护方面的有效性。我们是第一个工作,提出了一个联邦学习框架的社会建议,以我们所知的最好的。
2021-11-21 cs.IR cs.LG
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
Causally-Informed Reinforcement Learning for Adaptive Emotion-Aware Social Media Recommendation
Pennsylvania State University(宾夕法尼亚州立大学)
针对现有社交媒体推荐仅优化参与度、损害用户情绪健康的问题,提出ESMR框架,融合Transformer情绪预测与混合推荐策略,兼顾用户情绪健康与平台参与度表现。
2025-10-01 cs.AI cs.IR
SPMF: A Social Trust and Preference Segmentation-based Matrix Factorization Recommendation Algorithm
College of Economics and Management, Shandong University of Science and Technology(山东科技大学经济管理学院)
传统的社会化推荐算法忽略了以下事实:具有信任关系的用户的偏好不一定相似,对用户偏好相似性的考虑应局限于特定领域。针对上述问题,提出了一种基于社会信任和偏好分割的矩阵分解推荐系统。基于Ciao和Epperly数据集的实验结果表明,SPMF算法的推荐准确率明显高于现有的推荐算法。SPMF算法是一种基于区分信任关系和偏好域差异的更准确、更有效的推荐算法,可以支持产品营销等商业活动。
2019-03-11 cs.IR cs.LG stat.ML
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
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
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 Random Walk Based Model Incorporating Social Information for Recommendations
Deutsche Telekom Laboratories(德国电信实验室);Princeton University(普林斯顿大学)
协同过滤(CF)是构建推荐系统最流行的方法之一。针对推荐系统中的数据稀疏性和冷启动问题,提出了一种基于马尔可夫随机游走的混合协同过滤模型。更准确地说,我们构建了一个有向图,其节点包括项目和用户,以及项目内容,用户简档和社交网络信息。我们将用户的评分纳入图模型的边缘设置。该模型为个人和团体提供个性化的建议和预测。在MovieLens和Eppery数据集上对所提出的算法进行了评估。实验结果表明,与其他基于图的方法相比,所提出的方法性能良好,特别是在冷启动的情况下。
2013-05-17 cs.IR cs.LG
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
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
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
Learning Optimal Social Dependency for Recommendation
社会化推荐系统利用用户的社会关系来提高推荐的准确性。直觉上,用户倾向于信任她的社交朋友的不同子集,关于不同的场景。因此,社会化推荐的主要挑战是利用用户之间的最佳社会依赖性进行特定的推荐任务。在本文中,我们提出了一种新的推荐方法,命名为概率关系矩阵分解(PRMF),其目的是学习用户之间的最佳社会依赖关系,以提高推荐精度,有或没有用户的社会关系。具体而言,在PRMF中,假设用户的潜在特征遵循矩阵变量正态(MVN)分布。用户之间的正相关和负相关通过MVN分布的行精度矩阵来建模。此外,我们还提出了一个有效的交替算法来解决PRMF的优化问题。在真实数据集上的实验结果表明,所提出的PRMF方法优于最先进的社会推荐方法,在均方根误差(RMSE)和平均绝对误差(MAE)。
2016-03-15 cs.IR cs.SI
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
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
Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction
在现代社交媒体平台上,有效的内容推荐应该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。在本文中,我们提出了一个称为社会探索注意力网络(SEAN)的内容推荐模型。SEAN使用个性化内容推荐模型来鼓励个人兴趣驱动的推荐。此外,SEAN允许个性化因素关注用户在社交网络上的高阶好友,以提高推荐结果的准确性和多样性。从一个流行的分散式内容分发平台Steemit构建两个数据集,我们将SEAN与最先进的CF和基于内容的推荐方法进行比较。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分数的推荐性能。
2019-06-16 cs.IR cs.SI
Socially Aware Music Recommendation: A Multi-Modal Graph Neural Networks for Collaborative Music Consumption and Community-Based Engagement
University of Maryland(马里兰大学)
本文提出多模态图神经网络MM-GNN,通过无融合深度互学习、异构图社交建模和情感感知嵌入,实现社交感知的个性化音乐推荐,并在基准数据集上显著超越现有方法。
2025-09-13 cs.IR cs.LG cs.MM
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。
2017-11-30 cs.IR cs.SI
Knowledge-aware Coupled Graph Neural Network for Social Recommendation
JD Finance America Corporation(京东金融美国公司);South China University of Technology(华南理工大学);Peng Cheng Laboratory(鹏城实验室);Communication and Computer Network Laboratory of Guangdong(广东省通信与计算机网络实验室);VIPS Research(唯品会研究院);Case Western Reserve University(凯斯西储大学)
社会化推荐任务旨在结合用户之间的社会联系来预测用户对项目的偏好,从而缓解协同过滤的稀疏性问题。虽然最近的许多努力表明了基于神经网络的社会推荐系统的有效性,但一些重要的挑战还没有得到很好的解决:(i)大多数模型只考虑用户的社会联系,而忽略了项目之间的相互依赖的知识;(ii)大多数现有的解决方案是针对单一类型的用户-项目交互设计的,使得它们不可行,以捕捉交互的异质性;(iii)在许多社交感知推荐技术中,用户与项目交互的动态本质很少被探索。为了解决上述挑战,这项工作提出了一个知识感知耦合图神经网络(KCGN),共同注入跨项目和用户的相互依赖的知识到推荐框架。KCGN通过利用全局图结构感知的互信息来实现高阶用户和项目关系编码。此外,我们进一步增强了KCGN捕捉动态多类型用户项交互模式的能力。在真实世界数据集上的实验研究表明,我们的方法在各种设置中对许多强基线的有效性。源代码可在以下网址获得:https://github.com/xhcdream/KCGN。
2021-10-08 cs.AI cs.IR
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
Exploring Social Choice Mechanisms for Recommendation Fairness in SCRUF
University of Colorado, Boulder(科罗拉多大学博尔德分校);Comenius University Bratislava(布拉迪斯拉发考门斯基大学);Tulane University(杜兰大学)
本文提出在SCRUF多智能体架构中利用社会选择机制处理推荐系统多方面公平性问题,并通过真实与合成数据实验揭示了不同选择与分配机制下公平性与准确性权衡的差异及一致性。
2023-10-05 cs.AI 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
Online Social Media Recommendation over Streams
社会化推荐作为网络社区中最受欢迎的服务之一,近年来吸引了越来越多的研究。在所有的推荐任务中,一个重要的是在高速社交媒体流上的社交项目推荐。现有的流媒体推荐技术不能有效地处理具有不同兴趣的社交用户。同时,用于向特定用户推荐项目的方法在应用于高速流上的大量用户时效率不高。在本文中,我们提出了一个新的框架,在流媒体环境中的社会推荐。具体来说,我们首先提出了一种新的双层隐马尔可夫模型(BiHMM),自适应地捕捉社交用户的行为以及他们与有影响力的官方账户的互动,以预测他们的长期和短期兴趣。然后,我们设计了一个新的概率实体匹配方案,有效地识别流媒体项目的相关性得分给用户。在此基础上,我们提出了一种新的索引方案,称为{ \Tree },以提高我们的解决方案的效率。大量的实验证明了我们的方法在推荐质量和时间成本方面的高性能。
2019-01-04 cs.DB cs.IR
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
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
Invariance Matters: Empowering Social Recommendation via Graph Invariant Learning
针对社交网络噪声阻碍用户偏好学习的问题,提出社交图不变学习方法(SGIL),通过图生成器模拟多噪声环境并最小化不变风险,结合对抗训练增强环境多样性,有效提升了社交推荐系统的鲁棒性。
2025-04-27 cs.IR
Graph Learning Augmented Heterogeneous Graph Neural Network for Social Recommendation
基于社会网络的社会化推荐在提高推荐系统性能方面取得了巨大的成功。由于社交网络(用户-用户关系)和用户-项目交互都自然地表示为图结构数据,因此图神经网络(GNN)已被广泛应用于社交推荐。在这项工作中,我们提出了一个端到端的异构全局图学习框架,即图学习增强异构图神经网络(GL-HGNN)的社会推荐。GL-HGNN的目标是学习一个异构的全局图,在一个统一的角度,充分利用用户之间的关系,用户之间的相互作用和项目之间的相似性。为此,我们设计了一个图学习器(GL)的方法来学习和优化用户-用户和项目-项目连接分别。此外,我们采用了异构图神经网络(HGNN)从我们学习的异构全局图捕捉高阶复杂的语义关系。为了提高图学习的计算量,我们进一步提出了基于锚点的图学习器(AGL),以降低计算复杂性。在四个真实数据集上的实验证明了该模型的有效性。
2021-09-24 cs.IR
Graph Embedding Based Hybrid Social Recommendation System
项目推荐任务是一个广泛研究的课题。深度学习和谱方法的最新发展为高效的图嵌入技术铺平了道路。但是很少有研究将这些图嵌入应用于社交图的推荐任务。本文重点研究了各种嵌入方法应用于社会图的项目推荐任务的性能。此外,提出了一种混合模型,其中所选择的嵌入模型组合在一起,给出一个集体输出。我们提出了这样一个混合模型的假设,将执行更好的推荐任务比个人嵌入。以个体嵌入为基准,对混合模型在同一任务下的推荐性能进行了评估和比较。标准度量用于定性比较。结果发现,所提出的混合模型优于基线。
2019-08-26 cs.IR cs.SI
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
Social Recommendation with Self-Supervised Metagraph Informax Network
South China University of Technology(华南理工大学);University of Hong Kong(香港大学);JD Finance America Corporation(京东金融美国公司)
近年来,研究人员试图利用在线社会信息,以减轻数据稀疏的协同过滤的基础上,社交网络提供的见解,以了解行为模式。然而,由于忽略了跨项目的相互依赖的知识(例如,产品类别),现有的社交推荐系统不足以从用户和项目侧提取异构的协作信号。在这项工作中,我们提出了一个自我监督元信息最大网络(SMIN),调查的潜力,共同将社会和知识感知的关系结构到用户的偏好表示推荐。为了对关系异构性进行建模,我们设计了一个元路径引导的异构图神经网络来聚合来自不同类型的跨用户和项目的元关系的特征嵌入,使SMIN能够维护多方面的用户和项目依赖的专用表示。此外,为了注入高阶协同信号,我们推广了自监督图协同过滤下的互信息学习范式。通过探索全局级协作关系和图拓扑的同构变换特性,赋予了用户-项目交互模式的表达建模。几个真实世界的数据集上的实验结果表明,我们的SMIN模型的有效性,在各种国家的最先进的推荐方法。我们在https://github.com/SocialRecsys/SMIN上发布源代码。
2021-10-08 cs.AI cs.IR
A Survey of Point-of-interest Recommendation in Location-based Social Networks
随着基于位置的社交网络(LBSNs)的流行,出现了向用户推荐新的访问地点的兴趣点(POI)推荐。由于兴趣点推荐在LBSNs中的重要性,它引起了学术界和工业界的广泛兴趣。在本文中,我们提供了一个系统的审查这一领域,总结个人的努力和探索他们之间的关系的贡献。讨论了兴趣点推荐与传统推荐问题相比所具有的新特性和面临的新挑战,电影推荐。然后从兴趣点推荐的影响因素、兴趣点推荐的方法和兴趣点推荐的不同任务三个方面进行了综述。具体来说,我们提出了三个分类分类POI推荐系统。首先,我们根据签到特征的影响因素对系统进行分类,包括地理信息、社会关系、时间影响和内容指示。其次,我们将系统按方法分类,包括融合方法和联合方法建模的系统。第三,根据推荐任务是否偏向于最近签到的细微差别,将系统分为一般兴趣点推荐和连续兴趣点推荐。对于每一个类别,我们总结了贡献和系统功能,并突出了代表性的工作。此外,我们讨论了可用的数据集和流行的指标。最后,我们指出了该领域未来可能的发展方向,并总结了本次调查。
2016-07-03 cs.IR
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
Inhomogeneous Social Recommendation with Hypergraph Convolutional Networks
将社会关系纳入推荐系统,即社会推荐,已经在学术界和工业界得到了广泛的研究。虽然已经取得了许多有希望的结果,现有的方法大多假设的社会关系可以均匀地应用到所有的项目,这是不实际的用户的实际不同的偏好。在本文中,我们认为,社会关系的效果应该是不均匀的,即两个社会相关的用户可能只共享相同的偏好,对某些特定的项目,而对其他产品,他们的偏好可以是不一致的,甚至是矛盾的。受此思想的启发,我们建立了一个新的社会推荐模型,其中传统的成对的“用户-用户”关系扩展到“用户-项目-用户”的三元关系。为了更好地处理这种高阶关系,我们将我们的框架建立在超图上。更具体地说,每个超边连接一个用户-用户-项目三元组,表示两个用户在项目上共享相似的偏好。我们开发了一个社会超图卷积网络(简称SHGCN)来学习复杂的三重社会关系。利用超图卷积网络,可以以更细粒度的方式对社会关系进行建模,从而更准确地描述真实用户的偏好,并有利于推荐性能。在两个真实数据集上的大量实验证明了该模型的有效性。数据稀疏性研究和超参数研究进一步验证了模型的合理性。我们的代码和数据集可以在https://github.com/ziruizhu/SHGCN上找到。
2021-11-05 cs.IR
DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation
Hefei University of Technology(合肥工业大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院);The University of Arizona(亚利桑那大学)
社会化推荐利用用户之间的社会联系来预测用户的未知偏好,这可以缓解基于协同过滤的推荐中的数据稀疏性问题。早期的方法依赖于利用每个用户的一阶社交邻居的兴趣来进行更好的用户建模,并且未能从全局社交网络结构中对社交影响力扩散过程进行建模。最近,我们提出了一个神经影响扩散网络的初步工作(即,DiffNet)用于社会推荐(Diffnet),它对递归社会扩散过程进行建模,以捕获每个用户的高阶关系。然而,我们认为,由于用户在用户-用户社交网络和用户-项目兴趣网络中都扮演着核心角色,因此仅对社交网络中的影响力扩散过程进行建模会忽略用户-项目兴趣网络中用户潜在的合作兴趣。在本文中,我们提出了DiffNet++,DiffNet的一个改进的算法,在一个统一的框架内模型的神经影响力扩散和兴趣扩散。DiffNet++通过将社会化推荐重构为以社会网络和兴趣网络为输入的异构图,同时注入这两种网络信息进行用户嵌入学习,从而改进了DiffNet。这是通过从三个方面迭代地聚合每个用户的嵌入来实现的:用户的先前嵌入、来自社交网络的社交邻居的影响力聚合以及来自用户-项目兴趣网络的项目邻居的兴趣聚合。此外,我们设计了一个多层次的注意力网络,学习如何从这三个方面专注地聚合用户嵌入。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。
2021-01-05 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
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
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。
2024-05-08 cs.IR cs.SI