Attributed Graph Convolutional Network for Enhanced Social Recommendation Through Hybrid Feedback Integration
Notice bibliographique
Résumé
Social recommendation, a technique aimed at predicting user preferences by harnessing social ties, has frequently employed collaborative filtering (CF) due to its demonstrated efficiency and scalability.Nonetheless, a decline in performance of most extant CF techniques has been observed when confronted with extreme sparsity in explicit feedback.Past investigations predominantly merged both explicit and implicit feedback to mitigate the data scarcity issue, embedding based solely on explicit characteristics and formulating objective functions founded on user-item associations.Such a paradigm signifies a dependency on these interactions to compensate for deficient embeddings.Notably, a considerable discrepancy exists between implicit feedback and genuine user satisfaction in social recommendations, attributed to pervasive false positive interactions devoid of detailed user/item attributes.Furthermore, the establishment of connectivity between users/items has been partially dependent on users' inclinations, suggesting that the aggregation procedure might overlook certain neighbourhood preferences.In response to these challenges, a hybrid neural graph model endowed with attributive features has been introduced.This model amalgamates explicit/implicit feedback, attribute data, and a user-item interaction graph.To counteract data sparsity, a variational graph framework has been devised to extract latent representations from both feedback and attribute data.For the effective and explicit discernment of collaborative signals, the embedding incorporates a user-item interaction graph, which offers a potent modelling of elevated-order connectivities and the detection of latent user-item associations.The user and item embeddings are derived via an attentive propagation method, with the ultimate item embeddings being sourced through a linear weighted sum, eschewing non-linear activation functions.Comparative analyses on four real-world datasets have demonstrated the superior efficacy of the proposed methodology in relation to leading contemporary recommendation systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».