Feb, 2020

基于秘密分享的安全社交推荐

PDF
TL;DR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。
privacy preserving machine learningrecommender systemssocial informationsesorecssmm
发现论文，激发创造
  • 安全的跨平台社交推荐中利用数据稀疏性

    本研究提出了一种安全的、跨平台的社交推荐框架 S3Rec，在保护数据隐私的同时，能够提高推荐性能和模型训练效率。该框架利用安全计算技术，通过稀疏矩阵乘法实现平台间数据交互。实验结果表明 S3Rec 的有效性。

    Feb, 2022

  • 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

  • 基于社交曝光的协同过滤：社交推荐的模块化方法

    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。

    Nov, 2017

  • 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

  • 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

  • 基于图神经网络的联邦社交推荐

    本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。

    Nov, 2021

  • 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

  • 在线和移动社交网络的推荐系统：一项调查

    该研究论文是一篇关于在在线和移动社交网络中设计和实现推荐系统的综述，重点介绍了如何利用社交上下文信息来改善推荐任务，以及标准算法如何在完全分布式环境中进行增强和优化，并讨论了这些系统的优缺点和性能评估。

    Jun, 2023

  • SSLRec：基于自监督学习的推荐系统学习库

    自我监督学习在推荐系统中解决数据稀疏和噪声的挑战中引起了广泛关注。但目前缺乏统一框架来集成不同领域的推荐算法，为此我们引入了 SSLRec，一个基准平台，为评估各种 SSL 增强的推荐器提供了标准化、灵活和综合的框架，并简化了不同推荐模型的训练和评估过程。

    Aug, 2023

  • S^3-Rec: 自监督学习与互信息最大化在序列推荐中的应用

    提出了一种基于神经网络架构和自监督学习的序列推荐模型 S^3-Rec，通过最大化互信息的原理学习属性、项目、子序列和序列之间的相关性，从而充分利用内在数据关联提高模型表示能力，经实验证明，在数据稀疏的条件下，该方法优于现有最先进的方法，且可以推广到其他推荐模型。

    Aug, 2020