不留任何人后: 在保持准确性的同时增强社交推荐的多样性

社交推荐将社交联系纳入推荐系统，已被证明在提高推荐准确性方面效果良好。然而，除了准确性外，多样性对于增强用户参与度也至关重要。尽管其重要性不言而喻，但社交推荐模型对多样性的影响仍然鲜为人知。在本研究中，我们系统性地检验了现有社交推荐算法在准确性和多样性两方面的双重性能。我们的实证分析揭示了令人担忧的趋势：尽管社交推荐模型提高了准确性，但它们往往会降低多样性。为解决这一问题，我们提出了多样化社交推荐（Diversified Social Recommendation, DivSR），一种新方法，利用关系知识蒸馏将非社交推荐模型中高多样性的结构化知识传递给社交推荐模型。DivSR 是一种轻量级、具有模型无关性的框架，可无缝集成到现有的社交推荐架构中。实验在三个基准数据集上进行，表明 DivSR 在保持竞争准确性的同时显著提升了多样性，实现了优异的准确性-多样性权衡。我们的代码和数据已公开于：https://github.com/ll0ruc/DivSR。