面向图社交推荐的鲁棒偏好引导去噪
信息检索
2023-03-16 v1
摘要
基于图神经网络（GNN）的社交推荐模型通过在利用社交关系中所含偏好相似性时采用 GNN，提升了用户偏好的预测精度。然而，就推荐的效果与效率而言，大量社交关系可能冗余甚至含噪，例如朋友在特定领域无共享偏好实属常态。现有模型未能充分解决关系冗余与噪声问题，因其直接在整个社交网络上刻画社交影响。本文转而提出通过仅保留信息性社交关系来确保高效且有效的社交影响扩散，即图去噪，以改进基于图的社交推荐。我们设计的去噪方法以偏好引导建模社交关系置信度，并通过为推荐模型提供去噪后更具信息性的社交图反哺用户偏好学习。此外，为避免含噪社交关系干扰，其设计了自纠正课程学习模块与自适应去噪策略，二者均偏好高置信样本。在三个公开数据集上的实验结果表明，该方法能稳健移除原始关系 10–40%，并一致地提升两个当前最优社交推荐模型。源代码发布于 https://github.com/tsinghua-fib-lab/Graph-Denoising-SocialRec。
引用
@article{arxiv.2303.08346,
title = {Robust Preference-Guided Denoising for Graph based Social Recommendation},
author = {Yuhan Quan and Jingtao Ding and Chen Gao and Lingling Yi and Depeng Jin and Yong Li},
journal= {arXiv preprint arXiv:2303.08346},
year = {2023}
}