引入同意见同伴以克服会话社交推荐中的朋友数据稀疏问题
社会与信息网络
2024-09-10 v2 人工智能
摘要
会话社交推荐（Session-based Social Recommendation, SSR）利用在线网络中的社交关系来增强会话推荐（Session-based Recommendation, SR）的性能。然而，现有的SSR算法常常面临“朋友数据稀疏”问题。此外，社交网络朋友的购买偏好与目标用户之间可能存在显著差异，这会降低朋友相对于目标用户自身偏好的影响力。为解决这些挑战，本文引入“同意见同伴”（Like-minded Peers, LMP）的概念，即基于其历史会话，代表与当前目标用户会话基于其历史会话具有相似偏好的用户。这项工作是已知的首次利用LMP来增强SSR中社交影响建模的方法。该方法不仅缓解了朋友数据稀疏问题，还有效地整合了与目标用户偏好相似的用户。我们提出了一种新型模型，称为带图注意力聚合器推荐的Transformer编码器（Transformer Encoder with Graph Attention Aggregator Recommendation, TEGAARec），包括TEGAA模块和基于图注意力的社交聚合模块。TEGAA模块捕获并合并目标用户和LMP用户的长期和短期兴趣。同时，基于图注意力的社交聚合模块被设计用于加权方式聚合目标用户的动态兴趣和社交影响。在四个真实数据集上的大量实验表明，我们提出的模型的有效性和优越性。针对TEGAARec中各组件的贡献，还进行了消融研究。
引用
@article{arxiv.2409.02702,
title = {Incorporating Like-Minded Peers to Overcome Friend Data Sparsity in Session-Based Social Recommendations},
author = {Chunyan An and Yunhan Li and Qiang Yang and Winston K. G. Seah and Zhixu Li and Conghao Yang},
journal= {arXiv preprint arXiv:2409.02702},
year = {2024}
}
备注
None