IDVT：面向社交推荐的兴趣感知去噪与视图引导微调
人工智能
2024-06-18 v2
摘要
在信息时代，推荐系统对于高效过滤信息和识别用户偏好至关重要。在线社交平台通过提供有价值的辅助信息丰富了这些系统。社交相连的用户被假定共享相似偏好，从而提升推荐精度并解决冷启动问题。然而，实证发现挑战了该假设，揭示某些社交连接实际上会损害系统性能。我们的统计分析表明社交网络中存在大量噪声，许多社交相连用户并不共享共同兴趣。为解决此问题，我们提出一种创新的兴趣感知去噪与视图引导微调（IDVT）方法用于社交推荐。前半部分ID有效地对社交连接去噪。具体而言，去噪过程在全局视图中同时考虑社交网络结构与用户交互兴趣。此外，在此全局视图中，我们还将去噪后的社交信息（社交域）整合进用户-物品交互（协同域）的传播，并使用门控机制从两域聚合用户表示。为解决全局视图中潜在的用户兴趣丢失并增强模型鲁棒性，我们的后半部分VT引入两个额外视图（局部视图与丢弃增强视图），通过对比学习对全局视图中的用户表示进行微调。在具有不同噪声比的真实世界数据集上的大量评估证明了IDVT相对于最先进社交推荐方法的优越性。
引用
@article{arxiv.2308.15926,
title = {IDVT: Interest-aware Denoising and View-guided Tuning for Social Recommendation},
author = {Dezhao Yang and Jianghong Ma and Shanshan Feng and Haijun Zhang and Zhao Zhang},
journal= {arXiv preprint arXiv:2308.15926},
year = {2024}
}