一句话概述

基于使用VR在元宇宙中进行社交的场景，本文制定了共存和遮挡意识元宇宙用户推荐（COMUR）问题，以在具有VR的社交元宇宙中为用户重新修复一组渲染的玩家，在真实数据集上实验提升达到36.7%。

关注我们，第一时间看到最优质、最前沿的搜索、广告、推荐等AI工作～

COMURNet

名称：User Recommendation in Social Metaverse with VR
单位：中央研究院信息科学研究所、信息科学研究所信息技术创新研究中心
链接：https://dl.acm.org/doi/pdf/10.1145/3511808.3557487

带有VR的社交元宇宙被视为社交媒体的范式转变。然而，大多数传统的VR社交平台忽视了元宇宙中的特征，从而无法提高用户满意度。在本文中，我们探索了一种使用VR在元宇宙中进行社交的场景，它比传统社交媒体带来了主要优势：1）利用用户360度视口的灵活显示来满足个人用户的兴趣，2）确保用户共存的感觉，3）防止视图障碍以帮助用户在人群中找到朋友，以及4）支持与数字孪生进行社交。因此，本文制定了共存和遮挡意识元宇宙用户推荐（COMUR）问题，以在具有VR的社交元宇宙中为用户重新修复一组渲染的玩家。具体而言，在非遮挡约束下，我们的策略是通过定制来满足单个用户的偏好，同时通过向成对的共同可见用户显示共同用户来增强他们的共同存在。

图1（e）说明了如何以不同的方式向每个化身显示用户，并且在结果中用实线绘制了遮挡关系。图1（f）显示可见显示结果。为了最大程度地提高用户满意度，COMUR的理想解决方案从化身的视口中灵活地发现不重叠的用户。为此，它首先通过考虑化身和代理的相似性和差异来估计用户对数字孪生的偏好（A4）。然后，它允许共同可见的用户感知一些常见的用户观看（A2），但在非遮挡约束（A3）下同时呈现个人兴趣的用户（A1）。在图1（f）的浅黄色阴影区域（COMUR）中，共同可见的化身C和D感知包括B、E和G在内的普通用户。同时，他们还可以看到非普通用户（即，C看到H，D看到F），满足他们的兴趣。更重要的是，所有渲染的对象都是非重叠的，因此有助于化身在其视口中轻松识别首选对象。

如何评估用户对数字孪生的偏好？我们提出了COMURNet，这是一个双模块深度图学习框架。它由1）数字孪生吸引力自动编码器（DTAAE）和2）共存和遮挡感知多智能体最大吸引力推荐器（COMMAR）组成。

如何为用户推荐数字孪生，同时考虑他们的共同存在和非闭塞性约束？如何衡量总体用户满意度？我们首先将每个目标用户视口中被遮挡的关系转换为图，并分别将其个人偏好作为每个图中的节点权重进行查看。然后，我们设计COMMAR以利用目标用户的（i）视图内关系（即，用户在个人视口中的封闭关系）和（ii）视图间关系（即用户在不同用户视口中的共同视图）。此外，我们定义MetaverseUser Satisfaction Utility（MUSU）去评价用户满意度。

贡献

1. 我们探索元宇宙中新兴VR社交的COMUR，用户可以一起享受社交互动，并通过利用个性化显示来查看定制的推荐数字孪生。因此，我们制定COMUR来量化每个社交元宇宙用户的满意度。此外，我们证明COMUR是NP困难的。
2. 我们提出了一种新的图学习框架来解决COMUR问题。我们首先引入DTAAE来推断个人偏好，该偏好考虑了用户数字孪生和他们的多重关系相互作用。然后，我们提出COMMAR，以最大化社交元宇宙用户在非遮挡约束下的共同存在和个人偏好。
3. 我们在三个真实数据集上进行了大规模实验，以模拟虚拟现实社交，并构建了一个虚拟现实用户研究系统，以收集真实用户反馈。实验结果表明，在大规模数据集中，COMURNet在用户满意度方面优于最先进的个性化推荐器和VR社交用户分组算法，至少比52.0%，在用户研究中比36.7%。

算法细节

实验结果

评价指标：1）实现的平均元宇宙用户满意度效用（MUSU），2）平均个人偏好效用（preference），3）平均共现效用（Copresence），4）可识别用户占推荐用户总数的百分比（可识别率）。

图3（a）表明，COMURNet显著优于基线，分别为58.6%（Timik）、52.0%（SMMNet）和56.5%（Twitter）。与用户聚类相比，COMURNet的性能显著优于MvAGC（用户聚类方法中最好的）至少56.5%。COMURNet还比最先进的基于GNN的MISsolver至少高出58.6%。

图3（b）和3（c）显示了 分别在偏好效用和共存效用方面。

在图3（d）中，我们还提供了Timik和SMMNet数据集的消融研究结果。

用户研究

搜广推交流群

想要进搜广推学习交流群的同学，可以直接加微信号：SGTer001。加的时候请备注：搜广推+学校/公司+昵称+知乎。

强烈推荐大家关注搜广推Daily知乎账号和搜广推Daily微信公众号，可以快速了解到最新优质的搜索、广告、推荐方向论文~

推荐阅读

SHT：超图与Transformer强强联合，创新SOTA！

CIKM2022|度小满提出DeepVT: 用于新闻推荐的深度视图时间交互网络

CIKM2022|阿里提出DHLCF: 用于协作过滤的动态超图学习

超图如何助力推荐系统？2022多篇论文带你走进超图

CIKM2022|阿里提出CROLoss: 推荐系统中检索模型的可定制损失函数

CIKM2022|亚马逊提出Navip：推荐系统中图神经网络的去偏邻域聚合

KDD2022｜MBHT：多行为超图增强的Transformer

CIKM2022|DcRec：基于解耦对比学习的社会推荐

WSDM2023|通过Atten Mixer网络有效利用多级用户意图进行基于会话的推荐

WSDM2023｜DisenPOI：解耦POI推荐中序列和地理的影响

KDD2022｜美团提出AutoIntent：用户消费意图自动发现

KDD2022｜微软提出SSNet：缩放图神经网络的朋友推荐

KDD2022｜DirectAU：协同过滤中的表征对齐和均匀性

KDD2022｜华为提出BiGeaR：用于Top-K推荐的多方面量化强化学习二值化图表征

KDD2022｜腾讯提出CCDR：匹配中的跨域对比推荐

KDD2022｜HIRS：挖掘更有益的多阶特征交互！