基于概率生成模型的社交影响推荐探索

Sep, 2011

基于概率生成模型的社交影响推荐探索

Exploring Social Influence for Recommendation - A Probabilistic Generative Model Approach

Mao Ye, Xingjie Liu, Wang-Chien Lee

TL;DR本研究提出了一个概率生成模型 —— 统一模型，该模型自然地将社会影响、协同过滤和基于内容的方法统一起来，用于物品推荐。我们通过期望最大化算法（EM）来设定模型参数，实验结果显示带有社会影响的生成模型显著优于不带社会影响的模型，并且统一模型表现最佳。此外，我们发现 Whrrl.com 上的用户更可能受到朋友的影响，并且我们基于社会影响的群组推荐算法也优于最先进的算法。

Abstract

In this paper, we propose a probabilistic generative model, called unified model, which naturally unifies the ideas of social influence, collaborative filtering and content-based methods for item recommendation.

unified model social influence collaborative filtering content-based methods group recommendation

发现论文，激发创造

社交推荐的神经影响扩散模型

该论文提出了一种基于深度影响传播模型的社交推荐方法，模拟了用户在全局社交网中的递归扩散过程，取得了比最佳基线模型更优异的性能提升。

Apr, 2019

基于社交矩阵分解的协同主题回归推荐系统

本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法，并结合主题建模和概率矩阵分解，从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性，并展现了该算法在推荐系统方面优于现有方法的实验结果，揭示了社交圈在信息的决策过程中比个人品味更具影响力，以及可能在许多利用社交信息的推荐系统中存在的信息泄露问题的解决方案。

Jun, 2012

面向开放世界推荐：一种基于归纳模型的协同过滤方法

本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

Jul, 2020

面向影响最大化的无模型在线学习

该论文考虑了社交网络中的影响最大化问题，提出了一种可快速从数据中学习的新颖参数化框架并开发了 LinUCB 算法来解决问题。

Mar, 2017

协作过滤器的概率集成

本文提出了一种集成式协同过滤算法，采用概率模型集成物品、用户以及其关联性来处理多样的数据，得到比 L2Boost 更优的实验结果。

Jun, 2018

基于生成模型的现代推荐系统综述

通过综合和多学科的调查研究，本文连接了使用生成模型（Gen-RecSys）在推荐系统中的关键进展，包括：基于交互驱动生成模型的基础概述；大型语言模型（LLM）用于生成推荐、检索和对话推荐的应用；以及用于处理和生成图像和视频内容的多模态模型在推荐系统中的整合。我们的全面观点使我们能够突出评估 Gen-RecSys 的影响和风险所必需的范式，并确定开放挑战。有关论文的更加最新版本可在此 https URL 找到。

Mar, 2024

基于随机图的单类协同过滤：注释版

本文提出了一个基于贝叶斯生成模型的协同过滤模型，用于处理隐式反馈数据，将缺失数据作为未观测随机图的边缘部分，利用随机梯度下降和平均场理论的变分推断实现了大规模分布式学习。通过对真实世界数据的较为详细的比较，该模型具有一定的优势。

Sep, 2013

基于信任的社交网络推荐系统模型

本文提出了一种基于信任的社交网络推荐系统模型，通过比较基于频率的推荐系统，探究了信任动态、网络密度、偏好异质性和知识稀疏性等对系统性能的影响，发现系统能够自我组织进入到接近最优的状态。

Nov, 2006

通过对抗训练生成可信好友以提高社交推荐

本文提出了一种基于生成式对抗网络（GAN）的端到端社交推荐框架，该框架可以适应地生成可靠的好友，从而改善了显式社交关系的稀疏性和不可靠性问题，提升了社交推荐的性能表现，实验研究表明该框架的优越性和生成可靠好友的积极影响。

Sep, 2019

电商搜索中基于全局优化互影响意识的排名

提出全局优化框架，实现对电子商务搜索中商品的排名，具体包括了相互影响的采购概率预测和排名任务，得出有关 GMV 的优化结果。

May, 2018