摘要
参加社交活动成为人们日常生活中不可或缺的一部分，向一组用户提供精确和全面的推荐服务是群组推荐系统一项重要的任务。目前群组推荐系统主要面临数据稀疏、冷启动问题以及群组偏好表示问题。虽然已经有研究做过一些努力，但这些方法大多仅适用于单一领域的群组推荐，且学习的知识无法在多个领域共享，如果能够将其他领域学习到的知识加以利用，将有助于缓解稀疏问题。此外，大多数群组推荐研究关注的是冷启动群组，而很少有研究考虑冷启动项目的问题，例如群组活动推荐，虽然有研究考虑利用上下文来应对这些问题，但却忽略了上下文的稀疏性。 受到图神经网络和跨领域推荐的启发，本文提出利用基于图表示和注意力学习的跨领域方法来应对这些挑战。基于此，本文提出了两个跨领域群组推荐方法，其主要研究内容包括: 1.本文提出了一种基于上下文感知多图嵌入的跨领域群组活动推荐算法。该算法考虑了项目冷启动和上下文稀疏问题，将群组交互数据构造为域感知全局图和组感知局部图，以分别学习每个组中用户的全局偏好和局部偏好。在群组表示学习中，采用基于领域感知的关系注意力机制和对比学习损失来学习群体表示，最终用于预测每个群组感兴趣的活动。 2.本文提出了基于超图和反事实注意力的跨领域群组推荐算法。该算法将用户和群组交互数据转换为用户、项目及群组三种不同视角的超图，并基于用户和项目视角设计了域内传播和域间传播两种超图消息交叉传播方式。在群组表示学习中，提出了一种基于反事实注意力的偏好聚合方法，该方法首先分析基于注意力机制群组推荐的因果关系，然后通过评估反事实干预前后的预测差异来衡量注意力的有效性。 本文在Meetup、Douban以及Last.fm三个公开数据集上对两个方法进行了大量实验，结果充分显示了本文方法的有效性和优势性，说明基于图表示和注意力学习的跨领域方法对于群组推荐具有重要意义。
NETL