通过社交网络平衡用户偏好：一种缓解流行度偏差的条件引导社交推荐模型
社会与信息网络
2026-04-13 v2 机器学习
摘要
社交推荐模型将社交互动融入其设计，为用户提供独特的个性化推荐结果。然而，社交网络不仅放大了推荐模型中的流行度偏差，导致热门物品被更频繁地推荐而长尾物品较少，而且还包含大量对模型性能基本无意义的冗余信息。现有的社交推荐模型通常直接整合整个社交网络，很少努力过滤或调整社交信息以缓解社交网络引入的流行度偏差。本文提出了一种条件引导社交推荐模型（CGSoRec），通过对社交网络去噪和调整用户社交偏好的权重来缓解模型的流行度偏差。具体来说，CGSoRec首先包含一个条件引导社交去噪模型（CSD），用于去除社交网络中的冗余社交关系，从而更精确地捕获用户对物品的社交偏好。然后，CGSoRec基于去噪后的社交网络计算用户的社交偏好，并调整用户社交偏好的权重，使其能够抵消推荐模型中存在的流行度偏差。最后，CGSoRec包含一个条件引导扩散推荐模型（CGD），将调整后的社交偏好作为条件引入，以控制推荐结果向去偏方向进行。在三个真实世界数据集上的全面实验证明了我们提出方法的有效性。
引用
@article{arxiv.2405.16772,
title = {Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias},
author = {Xin He and Wenqi Fan and Ruobing Wang and Yili Wang and Ying Wang and Shirui Pan and Xin Wang},
journal= {arXiv preprint arXiv:2405.16772},
year = {2026}
}
备注
Accepted by Neural Networks