【论文笔记】《Social Influence-Based Group Representation Learning for Group Recommendation》

ICDE 19 A会

这篇论文一作是阴老师，获得了ICDE19最佳论文奖。

Abstract

作为群居动物，参加群组活动是人日常生活中必不可少的一部分，为群组用户推荐满意的活动是推荐系统一项重要的任务。其难点在于如何融合群组成员的偏好来推断群组决策。传统的群组推荐方法使用既定策略来做偏好融合。然而这些简单的静态融合策略无法建模复杂的群组决策过程，尤其是针对那些临时构成的群组。此外，各个群组成员的影响/权重应当是不同的，同一用户在不同群组中的权重也应当是不同的。因此，理想的群组推荐系统应做到以下两点：准确地学习用户的个人偏好、从数据中学习偏好融合策略。

本文提出了一种新的群组推荐系统SIGR(Social Influence-based Group Recommender)，将注意力机制和一种二分图嵌入模型BGEM作为基本块。特别地，我们采用了注意力机制来学习每个用户的社交影响，并将其应用于不同的群组中。为准确捕捉用户社交影响，设计了一种新的深度社交影响学习框架，来利用并整合用户的全局/局部社交网络结构信息。BGEM可以建模group-item interactions。为克服临时群组交互数据的局限性和稀疏性，我们提出了两种模型优化方法来无缝融合user-item interactions。我们创建了两个大规模群组数据集、做了大量实验，实验结果表明了SIGR比state-of-the-art群组推荐模型更好。

Contributions:

• 尽我们所知，我们是第一个将注意力机制和二分图嵌入技术结合起来做群组推荐的。在此基础上我们提出了一种新的群组推荐模型SIGR，以统一的方式从数据中学习user embedding和用户社交影响，可以做到临时群组的表示学习。
• 我们提出了两种模型优化方法来利用user-item interactions来缓解group-item interactions的稀疏性。提出了新的正采样和负采样策略来改善传统的随机梯度下降算法。
• 在预估用户社交影响时，为克服数据稀疏性、避免过拟合，我们提出了一种新的深度社交影响学习框架来利用并整合用户的全局/局部社交网络结构信息来改善群组推荐效果。
• 我们创建了两个大规模群组数据集来评估群组推荐系统（着重考虑了临时群组）。我们做了大量实验来评估SIGR的效果，结果表明SIGR比state-of-the-art技术更好。

SIGR包含两部分：1 使用BGEM学习group-item和user-item interactions; 2 基于社交影响的群组表示学习：通过融合群组成员的偏好来学习群组的偏好。  

 

【未完待续】

 

 

 

 

 

 

参考文献

1. Yin H, Wang Q, Zheng K, et al. Social influence-based group representation learning for group recommendation[C]//2019 IEEE 35th International Conference on Data Engineering (ICDE). IEEE, 2019: 566-577.