基于偏好引导的图形社交推荐中的鲁棒去噪
摘要：图神经网络（GNN）基于社交关系的推荐模型通过利用GNN来挖掘社交关系中包含的偏好相似性，提高了用户偏好的预测准确性。然而，就推荐的有效性和效率而言，很大一部分社交关系可能是多余的甚至是噪声，例如，在某个领域中，朋友之间没有共同的偏好是很正常的。现有模型没有完全解决这个关系多余和噪声的问题，因为它们直接对整个社交网络进行社交影响的特征化。在本文中，我们提出了一种改进基于图的社交推荐的方法，只保留有信息的社交关系，以确保有效和高效的影响扩散，即图去噪。我们设计的去噪方法是偏好导向的，用于建模社交关系的信心，并通过为推荐模型提供一个去噪但更具信息量的社交关系图，有益于用户偏好学习。此外，为了避免噪声社交关系的干扰，它设计了一个自校正的课程学习模块和自适应去噪策略，两者都有利于高度自信的样本。在三个公开数据集上的实验结果表明，该方法通过明显减少10-40%的原始关系，持续改进了两个最先进的社交推荐模型的能力。我们发布了源代码，网址为https://github.com/tsinghua-fib-lab/Graph-Denoising-SocialRec。
作者：Yuhan Quan, Jingtao Ding, Chen Gao, Lingling Yi, Depeng Jin, Yong Li
论文ID：2303.08346
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-03-16