论文部分内容阅读
近年来,推荐系统得到了极快速的发展,以多人推荐场景为出发点,群组推荐系统应运而生。区别于其它单人推荐系统,除了向单个用户进行推荐,群组推荐系统最主要的任务是为多用户组成的群组进行推荐。通常在群组中,受群组特征、社会化因素等的影响,组中每个成员对群组的贡献率不尽相同,因此,群组推荐研究中的一个重难点问题就是如何融合群组成员偏好,从而使其尽可能满足所有成员的偏好需求。本文首先基于自注意力网络和神经协同过滤(neural collaborative filtering,NCF)提出一种基于自注意力机制的组推荐系统模型SAGR(self-attention group recommendation),用以建模用户交互数据及学习群组潜在偏好表示。针对注意力网络只能获取用户项目交互从而导致的群组偏好考虑不全面的问题,使用自注意力机制挖掘用户间交互,使得组中每个用户的权重得以动态调整,从而解决群组偏好融合问题,提高群组推荐效果。其次,本文还设计了基于注意力因子分解机的群组推荐模型AFMGR(Attentional Factorization Machine Group Recommendation)。因其挖掘交叉特征的主动性以及优秀的泛化性能,因子分解机被广泛用于项目推荐和CTR(Click-Through-Rate)预估等场景中。然而它只能引入二阶特征交互,却不能挖掘出深层的交互信息。因此为了融合群组偏好,将注意因子分解机与群组推荐相结合,组中每个用户作为一个“特征”。通过捕获两两用户交互的重要性以及特征之间的高阶交互信息来改进权重值,最终使得模型预测效果更佳。最后,本文将两种方法分别在CAMRa2011和Movielens数据集上与同类方法进行对比实验,进行用户评分的预测和Top-K推荐,实验结果表明,与目前最先进算法AGREE相比,本文方法SAGR和AFMGR均有更突出的表现。其中,在数据集CAMRa2011上,SAGR的精确度指标HR(Hit Ratio)和NDCG(Normalized Discounted Cumulative Gain)分别提升了约1.6%和1.3%,AFMGR的HR(Hit Ratio)和NDCG(Normalized Discounted Cumulative Gain)分别提升了约1.9%和1.5%;在数据集Movielens上,SAGR的精确度指标HR和NDCG分别提升了约0.9%和2.3%,AFMGR的HR和NDCG分别提升了约1.7%和4.5%。由此可以证明,本文方法能够有效提高群组推荐准确性以及群组用户满意度。