通过对抗训练生成可靠朋友以改进社交推荐
信息检索
2020-04-07 v1 社会与信息网络
摘要
近期大多数社交推荐研究假设人们与朋友具有相似偏好，且在线社交关系有助于改进传统推荐系统。然而，这一假设往往不成立，因为在线社交网络非常稀疏，大多数用户仅有少量朋友。此外，由于社交网络构建过程中的随机性，显式朋友可能并不共享相似兴趣。因此，为每个用户发现若干可靠朋友对推进社交推荐至关重要。不同于其他聚焦于提取有价值显式社交链接的研究，我们的工作致力于在已观测和未观测的社交网络中识别可靠朋友。具体而言，本文提出一种基于生成对抗网络（Generative Adversarial Nets, GAN）的端到端社交推荐框架。该框架由两部分组成：一个生成器，用于产生可能增强社交推荐模型的朋友；一个判别器，负责评估这些生成的朋友，并根据当前用户及其朋友的偏好对物品排序。借助生成器与判别器之间的竞争，我们的框架能够动态且自适应地生成能在特定时刻完美预测当前用户偏好的可靠朋友。由此，显式社交关系的稀疏性与不可靠性问题得以缓解，社交推荐性能显著提升。在真实数据集上的实验研究证明了我们框架的优越性，并验证了所生成可靠朋友的积极作用。
引用
@article{arxiv.1909.03529,
title = {Generating Reliable Friends via Adversarial Training to Improve Social Recommendation},
author = {Junliang Yu and Min Gao and Hongzhi Yin and Jundong Li and Chongming Gao and Qinyong Wang},
journal= {arXiv preprint arXiv:1909.03529},
year = {2020}
}