融合自注意力和图卷积的多视图群组推荐

doi:10.3778/j.issn.1002-8331.2304-0035

摘要/摘要

摘要：为了解决大多数现有的群组推荐仅仅从群组和用户的单一交互中学习群组表示，以及固定融合策略难以动态调整权重的问题。提出了一种融合自注意力和图卷积的多视图群组推荐模型（MVGR）设计了成员级、项目级和组级三个不同的视图，来捕捉群组、用户和项目三者之间的高阶交互信息，缓解数据稀疏问题，增强群组表示建模过程；对于项目级视图，利用基于二分图的图卷积神经网络来学习群组偏好向量以及项目嵌入；进一步提出了自适应融合组件来动态调整不同视图权重，得到最终的群组偏好向量。在两个真实数据集上的实验结果表明，与基线模型相比，MVGR（小时）和归一化折损累计增益（NDCG）马蜂窝数据集上平均提高了8.89和1.56数据集上平均提高了2.79个百分点和2.7个百分点。

关键词: 群组推荐, 自注意力机制, 图卷积神经网络, 自适应融合

摘要：为了解决现有的大多数群组推荐只从群组和用户之间的单一交互中学习群组表示，而固定的融合策略很难动态调整权重的问题。提出了一种集成自关注和图卷积的多视图群组推荐模型（MVGR）。设计了三种不同的视图：成员级、项目级和组级，用于捕获组、用户和项目之间的高级协作信息，缓解数据稀疏性问题，并增强组表示建模。对于项目级视图，使用基于二分图的图卷积神经网络学习群体偏好向量和项目嵌入。MVGR进一步提出了一种自适应融合组件，动态调整不同的视图权重以获得最终的组偏好向量。在两个真实数据集上的实验结果表明，MVGR模型的命中率（HR）和归一化折现累积增益（NDCG）平均提高了8.89？Mafengwo数据集上的百分比和1.56个百分点，CAMRa2011数据集上与基线模型相比的平均值为2.79个百分点和2.7个百分点。

关键词： 集团推荐，自动关注机制，图卷积神经网络，自适应融合

王永贵, 王芯茹. 融合自注意力和图卷积的多视图群组推荐[J] ●●●●。计算机工程与应用, 2024, 60(8): 287-295.

王永贵，王新如。结合自我注意和图卷积的多视图群推荐[J]。计算机工程与应用，2024，60（8）：287-295。

参考文献

[1] 许晓明, 梅红岩, 于恒, 等. 基于偏好融合的群组推荐方法研究综述[J] 。小型微型计算机系统, 2020, 41(12): 2500-2508.
徐小明，梅海英，于赫，等.基于偏好融合的群体推荐方法研究综述[J]。小型微机系统，2020，41（12）：2500-2508。
[2] 黄际洲, 孙雅铭, 王海峰, 等. 面向搜索引擎的实体推荐综述[J] ●●●●。计算机学报, 2019, 42(7): 1467-1494.
HUANG JZ，SUN Y M，WANG H F，et al.网络搜索中实体推荐的调查[J]。《计算机科学杂志》，2019，42（7）：1467-1494。
[3] FELFERNIG A，BORATTO L，STETTINGER M，等.群体推荐算法[M]//群体推荐系统。查姆：施普林格，2018年：27-58。
[4] MOVAGHAR A.群体推荐系统中基于中心的群体形成[C]//第26届万维网同伴国际会议论文集，2017:1187-1196。
[5] BORATTO L，CARTA S.最先进的群推荐和自动识别群的新方法[M]。信息检索和挖掘非分布式环境。柏林，海德堡：施普林格，2010:1-20。
[6] GHAEMMAGHAMI S S，SALEHI-ABARI A.DeepGroup：集团推荐与隐性反馈[C]//第30届ACM信息与知识管理国际会议论文集，2021:3408-3412。
[7] 黄志华，徐霞，朱海华，等.基于多注意神经网络的高效群体推荐模型[J]。IEEE神经网络和学习系统汇刊，2020，31（11）：4461-4474。
[8] 黄泽，刘毅，詹C，等.一种新的两阶段深度学习群体推荐模型[J]。IEEE系统、人与控制论汇刊：系统，2021，52（9）：1-12。
[9] 王建科，姜永中，孙S，等.基于双向张量因式分解模型的群体推荐[J]。万维网，2018，21（4）：961-984。
[10] 袁Q，CONG G，LIN C Y.COM：群体推荐的生成模型[C]//第20届ACM SIGKDD国际知识发现与数据挖掘会议论文集，2014:163-172。
[11] 郭磊，尹海忠，陈涛，等.基于层次超边缘嵌入的表示学习在群体推荐中的应用[J]。ACM信息系统汇刊，2022，40（1）：1-27。
[12] 何振X，周春英，张建德，等.GRADI：利用关注的自上而下和自下而上双重影响实现群体推荐[C]//IEEE国际大数据会议论文集，2019:631-636。
[13] TRAN L V，PHARM T A N，TAY Y，et al.交互和决定：亚注意网络的混合以实现有效的群体推荐[C]//第42届国际ACM SIGIR信息检索研究与开发会议论文集，2019:255-264。
[14] 曹德，贺新恩，缪隆华，等.关注群体建议[C]//第42届国际ACM SIGIR信息检索研究与开发会议论文集，2018:645-654。
[15] 刘浩翰, 任洪润, 贺怀清. 一种基于自注意力机制的组推荐方法[J] ●●●●。计算机应用研究, 2020, 37(12): 3527-3577.
刘海华，任海瑞，何海清.基于自我关注机制的群体推荐方法[J]。计算机应用研究，2020，37（12）：3527-3577。
[16] 张建伟，高明，于建林，等.基于群体推荐的双尺度自监督超图学习[C]//第30届ACM国际信息与知识管理会议论文集，2021:2557-2567。
[17] SANKAR A，WU Y H，WU YH，et al.GroupIM:神经组推荐的相互信息最大化框架[C]//第43届国际ACM SIGIR信息检索研究与开发会议论文集，2020：1279-1288。
[18] 张杰，高C，金德，等.社会电子商务团购推荐[J]。arXiv:2010.068482020年。
[19] 陈涛，尹海中，龙杰，等.盒子里的思考：学习超立方体表示用于群体推荐[C]//第45届国际ACM SIGIR信息检索研究与开发会议论文集，2022:1664-1673。
[20] JIA R Q，ZHOU X F，DONG L H等。用于群组推荐的Hypergraph卷积网络[C]//2021年IEEE国际数据挖掘会议论文集，2021：260-269。
[21]周立杰，唐建伟，张志海.基于注意力胶囊网络的高速铁路车载设备故障分类[J]。国际自动化与计算杂志，2021，18（5）：814-825。
[22]GAO G S.深度学习推荐模型中注意机制研究综述[J]。计算机工程与应用，2022，58（9）：9-18。
[23]HE X N，DENG K，WANG X，et al.LightGCN:简化和增强图卷积网络的建议[C]//第43届国际ACM SIGIR信息检索研究与开发会议论文集，2020：639-648。
[24]何Z X，CHOW C Y，ZHANG J D.GAME:学习图形化和专注的多视图嵌入，以获得偶尔的小组推荐[C]//第43届国际ACM SIGIR信息检索研究与开发会议论文集，2020年：649-658。
[25]CREMONESI P，KOREN Y，TURRIN R.推荐算法在前n个推荐任务中的性能[C]//第四届ACM推荐系统会议论文集，2020：39-46。
[26]何晓恩，廖立中，张海伟，等.神经协同过滤[C]//第26届万维网国际会议论文集，2017:173-182。
[27]ZHANG S，ZHENG N，WANG D L.一种新的基于注意的全局和局部信息融合神经网络用于群体推荐[J]。机器智能研究，2022，19（4）：331-346。
[28]MA C，KANG P，LIU X.顺序推荐的分层门控网络[C]//第25届ACM SIGKDD国际知识发现与数据挖掘会议论文集，2019:825-833。