作者：机器学习与推荐算法

本文长度为3300字，建议阅读5分钟

均为近期浏览到的关于社会化推荐相关的文章。

近期浏览到的关于社会化推荐相关的文章，有几篇利用图卷积网络（GCN）来建模的，也有利用生成对抗网络（GAN）来进行样本生成的，有关注社交推荐隐私的，也有建模高阶近邻关系的，还有利用社交信息做组推荐的。

Enhance Social Recommendation with Adversarial Graph Convolutional Networks

作者: Junliang Yu, Hongzhi Yin, Jundong Li, Min Gao, Zi Huang, Lizhen Cui

简介: 目前的社交信息通常在真实的推荐系统中不能充分发挥作用，主要是有以下原因：1）所利用的社交信息邻居数据相当有限；2）存在很多噪声；3）社交关系实际上是多面的，而非单一的。现有的大多数社交推荐模型仅考虑社会网络中的同质性，而忽略了这些缺点。在本文中，提出了一个基于图卷积网络（GCN）的深度对抗框架来解决这些问题。

Trust in Recommender Systems: A Deep Learning Perspective

作者: Manqing Dong, Feng Yuan, Lina Yao, Xianzhi Wang, Xiwei Xu, Liming Zhu

简介: 现有推荐系统的一个主要挑战是，由于缺乏合理的解释和推荐结果不准确，导致用户可能不信任推荐系统。因此，一个值得信赖的推荐系统变得至关重要。 此论文提供了三类信任感知推荐系统的系统摘要：利用用户的社交关系的社交感知推荐系统；鲁棒的推荐系统，可过滤不真实的噪声（例如垃圾邮件发送和虚假信息）或增强抗攻击性；可解释的推荐系统，提供推荐物品的说明。其专注于基于深度学习技术的工作，这是推荐研究中的一个新兴领域。

Multi-faceted Trust-based Collaborative Filtering

作者: Noemi Mauro, Liliana Ardissono, Zhongli Filippo Hu

摘要: 许多协同推荐系统利用社会相关性理论来提高推荐精度。但是，它们专注于用户之间的显式关系，而忽略了可能有助于确定用户的全球声誉的其他类型的信息。例如，公众认可的素质。我们有兴趣了解这些附加类型的反馈是否以及何时改善Top-N推荐。为此，我们提出了一个多方面的信任模型，将社交链接代表的局部信任与社交网络提供的各种类型的全局信任证据进行集成。

Modelling High-Order Social Relations for Item Recommendation

作者: Yang Liu, Liang Chen, Xiangnan He, Jiaying Peng, Zibin Zheng, Jie Tang

简介: 在线社交网络的普及使得研究社交关系如何影响用户的选择成为必要。但是，大多数现有方法仅利用一阶社会关系，即连接到目标用户的直接邻居。高层的社会关系，例如，朋友的朋友，在很大程度上被忽略了。在这项工作中，其专注于对社交网络中高阶邻居的间接影响进行建模，以提高商品推荐的效果。与主流社交推荐方法不同，后者通过社交关系对模型学习进行正则化，相反，该工作建议在预测模型中直接考虑社交关系，旨在学习更好的用户嵌入来改进推荐。为了解决高阶邻居随订单大小急剧增加的挑战，我们建议沿社交网络递归“传播”嵌入，以将高阶邻居的影响有效地注入用户表示中。

Secure Social Recommendation based on Secret Sharing

作者: Chaochao Chen, Liang Li, Bingzhe Wu, Cheng Hong, Li Wang, Jun Zhou

简介: 如今，隐私保护机器学习已经在业界和学术界引起了广泛关注。同时，推荐系统已被许多商业平台（例如，亚马逊）广泛采用，并且它们主要基于用户-项目交互而构建。此外，社交平台（例如Facebook）具有丰富的用户社交信息资源。众所周知，在社交平台（例如Facebook）上丰富的社交信息对于推荐系统很有帮助。将社交信息与用户项目评分结合起来以改善总体推荐性能。现有的大多数推荐模型都是基于社会信息可用的假设而建立的。但是，由于某些原因，不同的平台通常不愿意（或不能）共享其数据。在本文中，首先提出了一个SEcure社会建议书（SeSoRec）框架。然后，提出了一种基于秘密共享的矩阵乘法（SSMM）协议，以优化SeSoRec并从理论上证明其正确性和安全性。通过应用小批量梯度下降，SeSoRec在计算和通信方面都具有线性时间复杂度。

DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation

作者: Le Wu, Junwei Li, Peijie Sun, Richang Hong, Yong Ge, Meng Wang

简介: 社交推荐，可以利用用户之间的社交联系来预测用户的未知偏好，这可以减轻基于协同过滤的推荐中的数据稀疏性问题。早期的方法依靠利用每个用户的一阶社交邻居的兴趣来进行更好的用户建模，而未能从全局社交网络结构中建模社交影响力扩散过程。最近，提出的用于社交推荐的神经影响力传播网络（即DiffNet）的初步工作，该模型对递归社交传播过程进行建模以捕获每个用户的高阶关系。但是，由于用户在用户-用户社交网络和用户-项目兴趣网络中都扮演着中心角色，因此仅对社交网络中的影响力扩散过程进行建模将忽略用户在用户-项目兴趣中的潜在合作兴趣。在本文中，提出了DiffNet ++，这是DiffNet的改进算法，可以在统一框架中对神经影响扩散和兴趣扩散进行建模。

Attentive Geo-Social Group Recommendation

作者: Fei Yu, Feiyi Fan, Shouxu Jiang, Kaiping Zheng

简介: 社交活动在人们的日常生活中起着重要的作用。对于基于社交活动的推荐系统，重要的是不仅要拥有活动信息，而且要拥有个人的社会关系。由于地理社交网络和位置感知移动设备的广泛使用，海量的地理社交数据现在很容易被推荐系统利用。在本文中，提出了一种新颖的组推荐方法，以给目标用户推荐活动位置和有可能加入活动的用户组。 另外，提出一种注意力机制来模拟目标用户在满足社会约束的候选用户组中的影响。它有助于检索最佳的用户组和活动主题候选者，并解释其组决策过程。一旦检索到用户组和主题，就可以使用一种新颖有效的空间查询算法SPA-DF在给定用户组和候选活动主题的约束下确定活动位置。

Generating Reliable Friends via Adversarial Training to Improve Social Recommendation

作者: Junliang Yu, Min Gao, Hongzhi Yin, Jundong Li, Chongming Gao, Qinyong Wang

简介: 最近有关社交推荐的大多数研究都假设人们与朋友共享相似的偏好，并且在线社交关系有助于改善传统的推荐系统。但是，由于在线社交网络非常稀疏且大多数用户只有少数朋友，因此这种假设通常难以成立。此外，由于建立社交网络过程中的随机性，外显的朋友可能不会共享相似的兴趣。因此，为每个用户发现许多可靠的朋友在推进社交推荐中起着重要的作用。与其他专注于提取有价值的显式社交链接的研究不同，我们的工作注重在观察到的和未观察到的社交网络中识别可靠的朋友。具体而言，在本文中，提出了一个基于生成对抗网络（GAN）的端到端社会推荐框架。

Tripartite Heterogeneous Graph Propagation for Large-scale Social Recommendation

作者: Kyung-Min Kim, Donghyun Kwak, Hanock Kwak, Young-Jin Park, Sangkwon Sim, Jae-Han Cho, Minkyu Kim, Jihun Kwon, Nako Sung, Jung-Woo Ha

简介: 图神经网络（GNN）已成为一种有前景的关系表示方法，包括应用在推荐系统中。但是，社交图的各种具有挑战性的问题阻碍了GNN在社交推荐中的实际使用，例如它们复杂的噪声连接和高度的异质性。GNN的过度平滑也是基于GNN的社会推荐的障碍所在。 本文提出了一种新的图嵌入方法异构图传播（HGP）来解决这些问题。  HGP使用group-user-item tripartite graph作为输入，以减少社交图中的边数和路径的复杂性。为了解决过度平滑的问题，HGP将节点嵌入在基于个性化PageRank的传播方案下，分别用于组用户图和用户项目图。 最后使用注意力机制集成来自每个图的节点嵌入。

编辑：文婧