论文部分内容阅读
推荐系统可以有效缓解信息过载的问题,帮助用户从海量数据中快速找到感兴趣的信息。而作为社交动物,参加群组活动,例如,与同事们一起聚餐或者与朋友们一起度假等,是人们日常生活中常见的一部分。因此,为一组用户推荐满意的项目,即组推荐,已成为许多信息系统的一项重要任务。组推荐的难点在于如何融合群组成员的偏好来推断群组决策。传统组推荐研究大部分集中在探索各种静态方法,即通过既定策略(例如均值策略、最小痛苦策略等)进行融合。然而,这种静态方法在融合过程中没有考虑到其他成员的影响,从而难以建模复杂的群组决策过程,进而影响组推荐效果。因此,理想的推荐模型应该可以动态地融合成员偏好,以更准确地对组偏好进行建模。针对以上分析,本文提出一种结合融合门控和注意力机制的组推荐模型(Gated Attentive Neural Network,GANN)。具体而言,本文主要研究内容如下:(1)本文针对研究工作中涉及到的组推荐系统、协同过滤和深度学习等相关技术进行了调研与归纳,概述了这些相关技术的研究现状以及与本研究工作关系密切的相关技术的基本工作原理。(2)本文提出的GANN模型首先通过两个并行的模块对组偏好进行建模:一方面考虑到用户的兴趣不同会导致其在组决策过程中发挥的作用不同,GANN模型使用注意力机制来学习不同成员在决定不同推荐项目结果时的影响权重,融合形成用户组对不同项目的特定偏好向量,即基于项目属性融合的表示向量;另外,为了更好地学习组中用户之间的相互作用,从而准确建模群组偏好,GANN模型使用自注意力机制学习组内成员之间的关系,从而形成该组基于成员关系融合的表示向量。然后通过一个融合门,选择性地将学习到的两种组向量进行结合,形成一个统一的组表示。最后通过计算组的最终表示和候选项目表示之间的非线性匹配值,以获得所有候选项目的预测值。(3)为了验证模型有效性,本文将GANN模型在3个不同领域真实数据集上与目前主流模型进行实验对比。实验结果表明,针对4种常用的推荐性能评价指标,相较于其他基线模型,GANN模型取得更好的结果。