AAAINov, 2017

基于社交曝光的协同过滤：社交推荐的模块化方法

PDF
TL;DR本研究旨在探讨如何有效地利用社交信息来改进推荐，提出了一种将社交曝光融入协同过滤的新颖方法，通过社交规范化和社交激励两种不同的方式构建社交曝光，实验证明此方法优于当前的最新方法，并进行了两种方法的可靠性和可扩展性比较。
social informationrecommendationssocial recommender systemsonline social networkscollaborative filtering
发现论文，激发创造
  • 推荐系统中用户曝光建模

    本文提出一种新的概率方法，将用户对物品的暴露度纳入协同过滤，将其建模为潜在变量，并从数据中推断其值，用于探索不同的领域和暴露度协变量下的问题，并在四个不同的领域中超过了现有基准的性能。

    Oct, 2015

  • 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

  • 基于秘密分享的安全社交推荐

    本研究提出 SeSoRec 框架，并基于 Secret Sharing based Matrix Multiplication 协议优化其算法。实证结果表明，SeSoRec 对于保护用户数据和提高推荐性能是有效的。

    Feb, 2020

  • 深度社交协同过滤

    本文介绍了 DSCF，一种新型的深度社交协同过滤框架，通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战，包括利用用户 - 项目交互和社交网络信息进行深度学习，使用邻居的信息并考虑特定推荐情况，以及了解邻居对项目的不同意见对用户的影响等，实验证明该框架的有效性。

    Jul, 2019

  • 社交协同检索

    本文提出了一种新的协作检索模型，通过整合社交网络信息来提高文本检索的准确性，在真实的音乐数据集上进行了实证分析，证明在数据稀疏性强的情况下，社交信息对于文本检索尤为重要。

    Apr, 2014

  • 综合评分、社交关系和评论的综合推荐方法

    本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。

    Jan, 2016

  • 纠正链接推荐的曝光偏差

    研究说明链接预测方法在推荐系统中的广泛应用，但当用户系统性地遭受某些相关项目的低曝光时，可能出现曝光偏差。 该研究提出了一种通过已知曝光概率来减轻这种偏差和随之而来的反馈循环的估计器，并提供了一种用于从数据中学习曝光概率的损失函数，经过实验验证可可靠地识别出相关引用。

    Jun, 2021

  • 推荐系统中的暴露不平等：长期影响

    本文介绍了一个模型，通过多轮交互模拟用户和链接推荐器之间的反馈循环，研究了推荐算法的长期后果。实验结果表明，少数群体如果足够同质化，则可以从所有链接推荐器中获得不成比例的优势，同时推荐器会加剧富人越富的现象，这种现象独立于少数群体的同质化程度和大小，同时会加剧个体间的曝光不平等现象。

    Dec, 2021

  • 面向多方曝光的推荐公平性

    研究推荐系统中的曝光公平性，提出了一种从消费者和生产者双方角度建模的公平度量，以缓解除了个体用户和物品的不公平之外的更系统性的偏见，进一步研究了曝光公平性维度之间的关系并演示了如何将随机排序策略优化为这些公平目标。

    Apr, 2022

  • 个性化社交推荐 - 更准确还是更私密？

    本文研究了基于社交网络的个性化推荐 —— 社交推荐算法在保护隐私的同时对推荐准确度的影响，并量化了算法的效用损失。研究表明，只有在隐私参数比较宽松的情况下或为社交网络中的一小部分用户提供可行的好的私密社交推荐。

    May, 2011