GhostLink：用于影响感知推荐的隐网络推断
社会与信息网络
2019-05-16 v1 信息检索
摘要
社交影响在塑造用户于电影、美食和啤酒等精细品味物品相关的在线社区中的行为方面起着至关重要的作用。对于在线推荐而言，这意味着用户的偏好和评分会受到其他个体的影响。仅给定用户带时间戳的评论，我们能否找出谁影响谁，以及底层影响网络的特征？我们能否利用该网络来改进推荐？尽管先前社会感知推荐的工作通过考虑观察到的用户社交网络来利用社交互动，但许多社区如 Amazon、Beeradvocate 和 Ratebeer 并没有显式的用户-用户链接。因此，我们提出 GhostLink，一种无监督概率图模型，仅给定用户发帖的时间痕迹（时间戳）及其内容，即可自动学习评论社区底层的隐影响网络。基于使用包含 1300 万条评论的四个真实世界数据集的广泛实验，我们表明 GhostLink 相比不考虑该影响的最先进方法在物品推荐上提升了约 23%。作为额外用例，我们展示了 GhostLink 可用于区分用户的隐偏好与受影响的偏好，以及基于所学影响图检测有影响力的用户。
引用
@article{arxiv.1905.05955,
title = {GhostLink: Latent Network Inference for Influence-aware Recommendation},
author = {Subhabrata Mukherjee and Stephan Guennemann},
journal= {arXiv preprint arXiv:1905.05955},
year = {2019}
}