Incorporating Like-Minded Peers to Overcome Friend Data Sparsity in Session-Based Social Recommendations

要約

セッションベースのソーシャル レコメンデーション (SSR) は、オンライン ネットワーク内のソーシャル リコメンデーションを活用して、セッションベースのレコメンデーション (SR) のパフォーマンスを強化します。
ただし、既存の SSR アルゴリズムは、「フレンド データの疎性」という課題に遭遇することがよくあります。
さらに、ソーシャル ネットワークの友人の購入嗜好とターゲット ユーザーの購入嗜好の間には大きな差異が存在する可能性があり、ターゲット ユーザー自身の嗜好に比べて友人の影響力が減少します。
これらの課題に対処するために、本稿では、過去のセッションに基づいて対象ユーザーの現在のセッションと嗜好が一致するユーザーを表す「Like-mind Peers」(LMP) の概念を導入します。
これは、私たちの知る限り、SSR における社会的影響のモデリングを強化するために LMP を使用した最初の作品です。
このアプローチは、友人データの希薄性の問題を軽減するだけでなく、ターゲット ユーザーと同様の好みを持つユーザーを効果的に組み込むこともできます。
我々は、TEGAA モジュールと GAT ベースのソーシャル アグリゲーション モジュールを含む、Transformer Encoder with Graph Attendant Aggregator Recommendation (TEGAARec) という名前の新しいモデルを提案します。
TEGAA モジュールは、ターゲット ユーザーと LMP ユーザーの長期的関心と短期的関心の両方を取得して統合します。
同時に、GAT ベースのソーシャル集約モジュールは、ターゲット ユーザーの動的な関心と社会的影響力を重み付けされた方法で集約するように設計されています。
4 つの現実世界のデータセットに対する広範な実験により、提案されたモデルの有効性と優位性が実証され、TEGAARec の各コンポーネントの貢献を説明するためにアブレーション研究が行われました。

要約(オリジナル)

Session-based Social Recommendation (SSR) leverages social relationships within online networks to enhance the performance of Session-based Recommendation (SR). However, existing SSR algorithms often encounter the challenge of “friend data sparsity”. Moreover, significant discrepancies can exist between the purchase preferences of social network friends and those of the target user, reducing the influence of friends relative to the target user’s own preferences. To address these challenges, this paper introduces the concept of “Like-minded Peers” (LMP), representing users whose preferences align with the target user’s current session based on their historical sessions. This is the first work, to our knowledge, that uses LMP to enhance the modeling of social influence in SSR. This approach not only alleviates the problem of friend data sparsity but also effectively incorporates users with similar preferences to the target user. We propose a novel model named Transformer Encoder with Graph Attention Aggregator Recommendation (TEGAARec), which includes the TEGAA module and the GAT-based social aggregation module. The TEGAA module captures and merges both long-term and short-term interests for target users and LMP users. Concurrently, the GAT-based social aggregation module is designed to aggregate the target users’ dynamic interests and social influence in a weighted manner. Extensive experiments on four real-world datasets demonstrate the efficacy and superiority of our proposed model and ablation studies are done to illustrate the contributions of each component in TEGAARec.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google