IDVT: Interest-aware Denoising and View-guided Tuning for Social Recommendation

要約

情報化時代において、レコメンデーション システムは、情報を効率的にフィルタリングし、ユーザーの好みを特定するために不可欠です。
オンライン ソーシャル プラットフォームは、貴重な補助情報を提供することでこれらのシステムを強化しました。
社会的につながりのあるユーザーは同様の好みを共有すると想定され、推奨の精度が向上し、コールド スタートの問題に対処します。
しかし、経験的な発見はこの仮定に疑問を投げかけ、特定の社会的つながりが実際にシステムのパフォーマンスに悪影響を与える可能性があることを明らかにしました。
私たちの統計分析では、ソーシャル ネットワークには大量のノイズが存在し、社会的につながりのあるユーザーの多くが共通の関心を共有していないことがわかりました。
この問題に対処するために、私たちは社会的推奨のための革新的な \underline{I}nterest-aware \underline{D}enoising and \underline{V}iew-guided \underline{T}uning (IDVT) 手法を提案します。
最初の ID 部分は、ソーシャル コネクションのノイズを効果的に除去します。
具体的には、ノイズ除去プロセスでは、ソーシャル ネットワークの構造とユーザー インタラクションの関心の両方がグローバルな観点から考慮されます。
さらに、このグローバルなビューでは、ノイズ除去されたソーシャル情報 (ソーシャル ドメイン) をユーザーとアイテムのインタラクションの伝播 (協調ドメイン) に統合し、ゲート メカニズムを使用して 2 つのドメインからのユーザー表現を集約します。
潜在的なユーザーの関心の損失に取り組み、グローバル ビュー内でモデルの堅牢性を強化するために、2 番目の VT パートでは、対照学習を通じてグローバル ビューでのユーザー表現を微調整するための 2 つの追加ビュー (ローカル ビューとドロップアウト強化ビュー) を導入します。
さまざまなノイズ比を持つ現実世界のデータセットに対する広範な評価により、最先端のソーシャル レコメンデーション手法に対する IDVT の優位性が実証されています。

要約(オリジナル)

In the information age, recommendation systems are vital for efficiently filtering information and identifying user preferences. Online social platforms have enriched these systems by providing valuable auxiliary information. Socially connected users are assumed to share similar preferences, enhancing recommendation accuracy and addressing cold start issues. However, empirical findings challenge the assumption, revealing that certain social connections can actually harm system performance. Our statistical analysis indicates a significant amount of noise in the social network, where many socially connected users do not share common interests. To address this issue, we propose an innovative \underline{I}nterest-aware \underline{D}enoising and \underline{V}iew-guided \underline{T}uning (IDVT) method for the social recommendation. The first ID part effectively denoises social connections. Specifically, the denoising process considers both social network structure and user interaction interests in a global view. Moreover, in this global view, we also integrate denoised social information (social domain) into the propagation of the user-item interactions (collaborative domain) and aggregate user representations from two domains using a gating mechanism. To tackle potential user interest loss and enhance model robustness within the global view, our second VT part introduces two additional views (local view and dropout-enhanced view) for fine-tuning user representations in the global view through contrastive learning. Extensive evaluations on real-world datasets with varying noise ratios demonstrate the superiority of IDVT over state-of-the-art social recommendation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google