基于迁移学习的传播感知社交推荐
信息检索
2021-07-13 v1 人工智能
机器学习
摘要
社交感知推荐方法已被认为是解决传统推荐系统数据稀疏问题的有效途径。其背后的假设是，社交用户-用户连接中的知识可以共享并迁移到用户-物品交互领域，从而帮助学习用户偏好。然而，大多数现有方法在迁移学习中仅采用用户间的一阶连接，忽略了更高阶的连接。我们认为更好的推荐性能也可受益于高阶社会关系。本文中，我们提出一种基于社会关系传播的新型传播感知迁移学习网络（PTLN）。我们旨在更好地挖掘社交网络中隐藏的共享知识，从而进一步提升推荐性能。具体而言，我们从两方面探究社交影响：(a) 通过阶数偏置考虑高阶朋友；(b) 同一阶中的不同朋友通过注意力机制对推荐具有不同重要性。此外，我们设计了一种新的正则化方法来弥合社会关系与用户-物品交互之间的差距。我们在两个真实数据集上进行了大量实验，并在排序精度上击败了其他对比方法，尤其是对于历史交互很少的冷启动用户。
引用
@article{arxiv.2107.04846,
title = {Propagation-aware Social Recommendation by Transfer Learning},
author = {Haodong Chang and Yabo Chu},
journal= {arXiv preprint arXiv:2107.04846},
year = {2021}
}