Equilibrio de las Preferencias del Usuario a través de Redes Sociales: Un Modelo de Recomendación Social Guiado por Condiciones para Mitigar el Sesgo de Popularidad

Los modelos de recomendación social entrelazan interacciones sociales en su diseño para proporcionar resultados de recomendación personalizados de manera única para los usuarios. Sin embargo, las redes sociales no solo amplifican el sesgo de popularidad en los modelos de recomendación, lo que resulta en una recomendación más frecuente de artículos populares y menos artículos de cola larga, sino que también incluyen una cantidad sustancial de información redundante que es esencialmente irrelevante para el rendimiento del modelo. Los modelos de recomendación social existentes no abordan los problemas del sesgo de popularidad y la redundancia de la información social, ya que caracterizan directamente la influencia social a través de toda la red social sin realizar ajustes específicos. En este documento, proponemos un Modelo de Recomendación Social Guiado por Condiciones (denominado CGSoRec) para mitigar el sesgo de popularidad del modelo mediante la eliminación de ruido de la red social y el ajuste de los pesos de las preferencias sociales del usuario. Más específicamente, CGSoRec primero incluye un Modelo de Eliminación de Ruido Social Guiado por Condiciones (CSD) para eliminar relaciones sociales redundantes en la red social, capturando con mayor precisión las preferencias sociales de los usuarios con artículos. Luego, CGSoRec calcula las preferencias sociales de los usuarios en base a la red social desruidos y ajusta los pesos en las preferencias sociales de los usuarios para que puedan contrarrestar el sesgo de popularidad presente en el modelo de recomendación. Por último, CGSoRec incluye un Modelo de Recomendación de Difusión Guiado por Condiciones (CGD) para introducir las preferencias sociales ajustadas como condiciones para controlar los resultados de recomendación en una dirección debiasada. Experimentos exhaustivos sobre tres conjuntos de datos del mundo real demuestran la efectividad de nuestro método propuesto. El código está en: https://github.com/hexin5515/CGSoRec.