RecDiff: Diffusion Model for Social Recommendation

社交推荐已成为一种强大的方法，通过利用在线社交平台中用户之间的关注和好友关系等社交联系，来增强个性化推荐。社交推荐的基本假设是，有社交联系的用户在偏好模式上表现出同质性。这意味着，通过社交联系相连的用户往往在用户-项目活动（如评级和购买）的品味上相似。然而，由于存在无关和虚假的社交联系，这种假设并不总是成立，这些联系会污染用户嵌入并对推荐准确性产生不利影响。为了解决这个问题，我们提出了一种新颖的基于扩散的社交去噪框架（RecDiff）用于推荐。我们的方法利用了一种简单而有效的隐藏空间扩散范式，以缓解压缩和密集表示空间中的噪声效应。通过进行多步噪声扩散和去除，RecDiff具有识别和消除编码用户表示中噪声的强大能力，即使噪声水平变化也能如此。扩散模块以下游任务为导向进行优化，从而最大化其增强推荐过程的能力。我们进行了大量实验来评估我们框架的有效性，结果表明它在推荐准确性、训练效率和去噪效果方面具有优越性。模型实现的源代码可在以下网址公开获取：https://github.com/HKUDS/RecDiff。

本论文的问题是如何通过社交推荐提高个性化推荐的准确性，同时解决社交噪声对用户嵌入表示的影响。这是一个新问题。

本论文提出了一种基于扩散的社交去噪框架（RecDiff），利用隐藏空间扩散范式来消除用户嵌入表示中的噪声。通过多步噪声扩散和去除，RecDiff能够鲁棒地识别和消除编码后的用户表示中的噪声，即使噪声水平不同。该扩散模块是以下游任务为导向进行优化，从而最大化其增强推荐过程的能力。

该论文的亮点包括：1. 提出了一种新的社交推荐框架，能够有效地提高推荐准确性；2. 提出了一种基于扩散的社交去噪方法，能够有效地消除社交噪声对用户嵌入表示的影响；3. 在多个数据集上进行了广泛的实验，证明了该框架的优越性能；4. 开源了模型实现的源代码。

在这个领域中，最近的相关研究包括：1.《Graph Convolutional Matrix Completion》；2.《Social Collaborative Filtering with Graph Convolutional Networks》；3.《Graph Convolutional Networks for Social Recommendation》等。