تتداخل سلوكيات المستخدمين والتفاعلات الاجتماعية على المنصات الإلكترونية بشكل معقد، مما يشكل بنى بيانية معقدة بشكل طبيعي. من خلال الاستفادة من هذه البنية، تجمع الشبكات العصبية البيانية (GNNs) المعلومات من الجوار بكفاءة وأصبحت نموذجاً سائدًا للتوصيات الاجتماعية. ومع ذلك، غالبًا ما تفرط الطرق الحالية في التركيز على النمذجة الاجتماعية متجاهلة الآثار المشتركة لتصفية العلاقات الموجهة بالتفضيلات والانحيازات الخاصة بالمستخدم/العنصر، مما يجعلها عرضة للضوضاء الناتجة عن الروابط الزائدة. لمعالجة هذه القيود، نقترح PDDSR، وهو إطار إزالة التحيز والتشويش الموجه بالتفضيلات للتوصيات الاجتماعية. على وجه التحديد، لإزالة التحيز، يقوم PDDSR بنمذجة انحياز تقييم المستخدم وانحياز شعبية العنصر كمتجهات قابلة للتعلم، مدمجًا إياها في تعلم التضمين لتخفيف انحياز الانجراف على مستوى التضمين. في الوقت نفسه، لتقليل الضوضاء، يستخدم النموذج آلية ثقة العلاقات الاجتماعية الموجهة بتفضيلات المستخدمين ويتبنى استراتيجية إزالة التشويش البياني التكيفية للحفاظ على الروابط عالية المعلوماتية، مما يلتقط التأثير الاجتماعي بفعالية أثناء تصفية الضوضاء. تظهر التجارب الواسعة على مجموعات بيانات Ciao وEpinions أن PDDSR يتفوق باستمرار على الطرق الرائدة، وخاصة على مجموعة بيانات Ciao، حيث تحسن MAE وRMSE بنسبة 1.90٪ و1.87٪ على التوالي. هذه النتائج تؤكد فعالية وموثوقية آلية الإزالة المشتركة للتحيز والتشويش في سيناريوهات التوصيات الاجتماعية المعقدة.
Li وآخرون (الثلاثاء)، درسوا هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: