挑战社交推荐中的低同质性

在社交同质性假设下，社交关系被用来解决推荐系统中用户-物品交互数据的稀疏性问题。然而，社交推荐范式主要关注基于用户偏好的同质性。虽然社交信息可以增强推荐效果，但其与用户偏好的对齐并非必然，从而带来了引入信息冗余的风险。我们通过实验发现，真实推荐数据中的社交图表现出较低的偏好感知同质性，这限制了社交推荐模型的效果。为了全面提取社交图中潜在的偏好感知同质性信息，我们提出了社交异质性缓解重连 (SHaRe)，这是一个以数据为中心的框架，用于增强现有的基于图的社交推荐模型。我们采用图重连技术来捕获并添加高度同质的社交关系，并切断低同质（或异质）关系。为了从可靠的社交关系中更好地细化用户表示，我们在 SHaRe 的训练中集成了对比学习方法，旨在校准用户表示以增强图重连的结果。在真实世界数据集上的实验表明，所提出的框架不仅在不同的同质性比率下表现出增强的性能，而且还提高了现有最先进 (SOTA) 社交推荐模型的性能。