Group-Aware Long- and Short-Term Graph Representation Learning for Sequential Group Recommendation

最新推荐文章于 2023-11-05 23:05:35 发布
最新推荐文章于 2023-11-05 23:05:35 发布
阅读量450 收藏 2
点赞数
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39091546/article/details/112305260
版权

SIGIR 2020
华东师范大学
微信腾讯搜索应用部
论文PPT
在这里插入图片描述

ABSTRACT

顺序推荐和分组推荐是推荐系统领域的两个重要分支。虽然这两个分支已经以独立的方式投入了大量的精力，但我们将它们结合起来，提出了一种新颖的序贯群推荐问题，该问题能够对群的动态表示进行建模，并且对于获得更好的群推荐性能是至关重要的。该问题的主要挑战是如何基于过去时间范围内组成员的顺序用户-项目交互来有效地学习动态组表示。为了解决这个问题，我们设计了一种群体感知的长期和短期图表示学习方法，即GLSGRL，用于连续的群体推荐。具体地说，对于目标群体，我们构建了一个组感知的长期图来捕捉整个历史中的用户项交互和项-项共现，以及一个组感知的短期图来仅包含关于当前时间框架的相同信息。GLS-GRL在图的基础上进行图表示学习，得到长期用户表示和短期用户表示，并进一步自适应融合得到完整的用户表示。最后，通过一种受限的用户交互注意力机制对组成员之间的相关性进行编码，得到组表示。综合实验表明，GLS-GRL的性能优于序贯推荐和分组推荐方法中的几种强推荐方案，验证了GLS-GRL核心组件的有效性。

有相同爱好的人分为一个小组，用户群，之前的研究是研究他们的静态偏好，忽略了群体成员行为的顺序性。

在这里插入图片描述

在本文中，我们提出了一个新的问题，称为序贯分组推荐(SGR)，它位于序贯推荐和分组推荐的交叉点上。如图1所示，此问题旨在利用目标组成员在过去时间范围内的顺序项目交互来预测哪些项目将在下一个时间范围内从目标组成员获得更多交互。由于社交平台上可能会不时出现由现有用户组成的新群，因此向现有群和新群推荐物品的能力是问题所要求的。与以往的群组推荐问题设置相比，序贯群组推荐非常有用，它能够在序贯推荐的启发下对群组的动态表示进行建模，并有望提高群组推荐性能。需要注意的是，虽然文献[14，27]涉及到序贯推荐和分组的概念，但它们与我们的研究有根本的不同：(1)前者是为会话推荐量身定做的，其方法完全是经验性的，没有模型学习过程；(2)后者实际上是利用分组偏好来促进针对单个用户的序贯推荐，旨在克服稀疏性问题。

要解决这一问题，一个根本的挑战是如何根据过去时间范围内组成员的顺序用户-项目交互来有效地学习动态组表示。在现实中，群表示是通过群成员的动态表示来反映的，既适用于现有的群，也适用于新的群。因此，用户表示是必不可少的，它在特定的用户项交互和组表示之间架起了一座桥梁。然后，总体的基本挑战被分解为具体的挑战：

  • 如何利用组成员资格和顺序的用户-项目交互来学习用户表示法？
  • 如何利用获得的用户表征来表示群体偏好？

它能够使组成员关系影响用户表征学习，并基于所获得的用户表征实现组表征，因此受到欢迎。具体地说，在每个时间帧中，我们首先构建组感知的长期和短期图，这两个图都共享属于同一目标组的所有用户。长期图包含整个历史中的用户-项交互和项-项共现，而短期图仅包含关于当前时间范围的信息。基于这两个图，GLS-GRL在这两个图上采用图表示学习，分别学习用户的长期表示和短期表示。这两种类型的表示通过简单的选通机制融合以获得集成的用户表示。这样，第一个挑战就迎刃而解了。对于第二个挑战，GLS-GRL进一步发展了一种受子注意网络启发的受限用户交互注意力[20]。它通过表示用户w.r.t.来编码组成员之间的相关性。要求至少具有一个共同交互项目的其他选定群组成员的表示。通过整合用户表示，最终实现组表示。
综上所述，主要贡献如下：

  • 我们提出了一个新的问题，称为序贯群推荐，该问题需要对已有的群推荐研究忽略的群表示的序贯动态进行建模。
  • GLS-GRL模型的创新之处在于通过相应的群体感知长、短期图学习长期和短期用户表征，并将群体表征学习和用户表征学习相结合。
  • 我们在两个真实世界的数据集上进行了全面的实验，证明了GLS-GRL与强备选方案相比具有更好的性能，验证了模型的一些关键设计。

在这里插入图片描述

我们的GLS-GRL模型的总体架构如图2所示，它以组的长期图和短期图作为输入，输出组级表示进行相似度计算，并与候选推荐项一起进行推荐。长期(或短期)图是基于组成员与整个历史(或当前时间范围内)项目的交互构建的。图3显示了一个玩具示例来说明这两个图表的结构。GLS-GRL由四个关键部分组成：(1)长期和短期用户表征学习；(2)长期和短期用户表征融合；(3)受限用户交互注意力；(4)组表征聚合。提出了一种基于混合排序的损失函数来优化GLS-GRL。
在这里插入图片描述
先表示图后聚合，短期意图初始为0向量。
到目前为止，我们已经有了长期和短期的用户表示。我们在用户表示的基础上增加了一层非线性全连通(NFC)层，赋予用户更丰富的表达能力。
个人感觉这篇文章的重点在于注意力机制。

在这里插入图片描述
获得更多特征的小操作。之后得到每个用户的长期和短期的表征。

农场主
关注
专栏目录
【文献阅读】2020-SIGIR-Group-Aware Long- and Short-Term Graph Representation Learning for Sequential Group
乐川大佛的博客
09-20 1045
说明 1.原文链接。 2.本人及翻译软件的翻译水平有限，粗读即可，精读请看原文。 标题 1.题目：面向序列组推荐的群感知长、短期图表示学习     Group-Aware Long- and Short-Term Graph Representation Learning for Sequential Group Recommendation 2.作者：   华东师范大学、微信搜索应用部门、乔治亚理工学院 摘要   顺序推荐和群推荐是推荐系统中的两个重要分支。虽然我们已经对这两个分支进行了大量独立的研究，
2、Attentive Group Recommendation----注意力集中的群组推荐
weixin_34380948的博客
09-12 2897
1、摘要： 采用attention和NCF结合解决群组偏好融合的问题。 贡献： 第一个使用神经网络学习融合策略的组推荐。 进一步整合用户-项目交互改进组推荐，减轻冷启动问题。 2、方法： 模型AGREE模型包括：1）组特征学习：成员融合+群组偏好；2）与NCF的交互学习 2.1 符号： n个用户：U = { u1,……，un } s个群组：G = { g1,……，gs...
1、Attention_based Group recommendation——基于注意力机制的群组推荐
weixin_34194702的博客
09-11 1280
1、摘要： 本文将Attention-based模型和BPR模型结合对给定的群组进行推荐项目列表。 2、算法思想： 如图： attention-based model：【以下仅计算一个群组的偏好，多个群组计算过程一样】 ① 群组： 以上为n个子群组，来自于一个给定的群组，包含用户 { u1，u2，u3，……，un }， ② α i，j ： 定义α i，j 为用户 j...
4----COM：a Generative Model for group recommendation（组推荐的一种生成模型）
weixin_33831673的博客
09-12 491
1、摘要： 组推荐的一个挑战性问题：因为不同组的成员就有不同的偏好，如何平衡这些组员的偏好是一个难以解决的问题。 在本文中，作者提出了一个COM的概率模型来建立组活动生成过程。 直觉上： 一个组中的用户可能有不同的影响，在不同主题影响力不同，如对看电影有权威的用户在音乐上影响力可能低。 群体中的用户可能作为组员的表现和作为独立个体表现不一样。 COM基于这些直觉，融合组成员之间的偏好成...
【论文】Group Recommendation
最新发布
Citroooon的博客
11-05 231
group recmd
Group-Aware.pptx
01-11
Group-Aware Long- and Short-Term Graph Representation Learning for Sequential Group Recommendation
【Notes】Multi-Behavior Sequential Recommendation with Temporal Graph Transformer（2022）
norah的博客
08-20 833
【Notes】Multi-Behavior Sequential Recommendation with Temporal Graph Transformer（2022）
【综述】Pre-train, Prompt and Recommendation: A Comprehensive Survey of Language Modelling Paradigm
qq_38866253的博客
03-29 1033
预训练模型和学习到的表示有助于一系列下游任务，本文系统调研了如何从不同PLM（Pre-trained Language Models）相关的训练范式学习到的预训练模型中提取和迁移知识，从而提升推荐性能（泛化性、稀疏性、效率和有效性等）。
Deep Learning for Sequential Recommendation: Algorithms, Influential Factors, and Evaluations 翻译笔记
qq_39091546的博客
11-26 2648
摘要   在序列推荐领域，基于深度学习（DL）的方法在过去几年中受到了广泛的关注，并超越了基于马尔可夫链和基于因式分解的传统模型。但是，关于基于DL的方法的系统研究很少，尤其是关于如何设计有效的DL模型进行序列推荐的系统研究。在这种观点下，本调查通过考虑上述问题，重点关注基于DL的序列推荐系统。具体来说，我们说明了序列推荐的概念，根据三种类型的行为序列对现有算法进行了分类，总结了影响基于DL的模型性能的关键因素，并进行了相应的评估，以展示和证明这些效果因素。我们通过系统地概述该领域的未来方向和挑战来结束本调
Social-Enhanced Attentive Group Recommendation
橙子姑娘
04-29 730
《Social-Enhanced Attentive Group Recommendation》 社交增强的组注意推荐
Exploiting Group Recommendation Functions for Flexible Preferences
12-03
Web推荐系统越来越多地面临着需要向用户群体提供建议的场景;例如，当家庭分享电子商务或电影租赁网络帐户时。迄今为止在这个领域的研究提出了两种方法：通过将任何成员的评级合并成一个简介来计算小组的建议，或者计算每个个体的排名推荐，然后通过一系列启发式方法合并。在这样做的时候，过去没有任何一个人在他们是一个群体成员的时候就会出现个人偏好的理由。在这项工作中，我们提出了一个基于信息匹配概念的概率框架，用于小组推荐。这个模型将组的相关性定义为组合的相关性作为一个个体和每个用户的组成员;然后可以无缝地纳入任何小组推荐策略，以便为一组个人排列项目。我们使用MovieLens和MoviePilot数据集来评估模型的效率，从而为单个个体和组创建推荐。在这两种情况下，我们将我们的结果与基线和最先进的协作过滤算法进行比较，并显示该模型在各种排名指标上均优于所有其他模型。
Sequence-Aware Recommendation with Long-Term and Short-Term Attention Memory Networks（LSAMN）
ChristineC_的博客
04-17 726
Time：2019 Author：Daochang Chen, Rui Zhang, Jianzhong Qi, Bo Yuan（清华） Abstract 在电商场景下，一个session里各个购买商品对于预测下一个购买物品的权重是不同的。使用Attention Memory Network来学习每个session里的embedding、用户的长期兴趣和短期兴趣。 Model ...
【论文笔记】《Social Influence-Based Group Representation Learning for Group Recommendation》
深度匹配树的博客
07-15 1630
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...
Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation 论文笔记
sophielal的博客
12-03 1331
双超图双粒度群组推荐-2021论文阅读 Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation
【论文阅读】Hypergraph Convolutional Network for Group Recommendation
qq_43955154的博客
08-07 1175
超图卷积在组推荐中的应用
论文｜AGREE-基于注意力机制的群组推荐，含代码（Attentive Group Recommendation）
Thinkgamer博客
04-24 3588
这篇文章主要分享的论文是2018年被CCF收录的一篇论文：Attentive Group Recommendation（基于注意力机制的群组推荐），第一作者是湖南大学的曹达老师，二作是论文Neural Collaborative Filtering的作者何老师。当然也会结合小编的工作来进行一些补充说明，写的不好，欢迎拍砖！
推荐系统公平性之组推荐的公平性--fairness in group recommender system
beilizhang的博客
05-31 2345
主要参考论文：《Top-N Group Recommendations with Fairness》 什么是组推荐（group recommendation） 组推荐，顾名思义，就是向一组人推荐物品，而不是传统场景下的对单个人推荐。 组的构成分为两种：一是长期型组（persistent group），如一家人；另一种是短期型组（ephemeral group），几个朋友、同事临时组局。 虽然感觉平时没有APP有这种组推荐服务，但日常生活中组推荐的应用场景其实挺多。比如一群朋友计划暑假旅游地点、一家人决定看哪
Multi- Head Attention 理解
qq_39091546的博客
05-11 1877
首先要了解 self attention，知乎上的一篇文章讲解的很好， 这个图很好的讲解了self attention,而Multi- Head Attention就是在self attention的基础上把，x分成多个头，放入到self attention中，最后再把他们结果cancat到一起，现在我要处理的一个问题是，如何把x的维度与head的维度一样，也就是扩展x，达到我的想法。先留白，接下来要放入代码 ...
Structure-Aware Transformer for Graph Representation Learning 论文代码的 dgl实现
05-29
"Structure-Aware Transformer for Graph Representation Learning"是一篇使用Transformer模型进行图表示学习的论文。这篇论文提出了一种名为SAT（Structure-Aware Transformer）的模型，它利用了图中节点之间的结构信息，以及节点自身的特征信息。SAT模型在多个图数据集上都取得了非常好的结果。 以下是SAT模型的dgl实现代码，代码中使用了Cora数据集进行示例： ``` import dgl import numpy as np import torch import torch.nn as nn import torch.nn.functional as F class GraphAttentionLayer(nn.Module): def __init__(self, in_dim, out_dim, num_heads): super(GraphAttentionLayer, self).__init__() self.num_heads = num_heads self.out_dim = out_dim self.W = nn.Linear(in_dim, out_dim*num_heads, bias=False) nn.init.xavier_uniform_(self.W.weight) self.a = nn.Parameter(torch.zeros(size=(2*out_dim, 1))) nn.init.xavier_uniform_(self.a.data) def forward(self, g, h): h = self.W(h).view(-1, self.num_heads, self.out_dim) # Compute attention scores with g.local_scope(): g.ndata['h'] = h g.apply_edges(fn.u_dot_v('h', 'h', 'e')) e = F.leaky_relu(g.edata.pop('e'), negative_slope=0.2) g.edata['a'] = torch.cat([e, e], dim=1) g.edata['a'] = torch.matmul(g.edata['a'], self.a).squeeze() g.edata['a'] = F.leaky_relu(g.edata['a'], negative_slope=0.2) g.apply_edges(fn.e_softmax('a', 'w')) # Compute output features g.ndata['h'] = h g.update_all(fn.u_mul_e('h', 'w', 'm'), fn.sum('m', 'h')) h = g.ndata['h'] return h.view(-1, self.num_heads*self.out_dim) class SATLayer(nn.Module): def __init__(self, in_dim, out_dim, num_heads): super(SATLayer, self).__init__() self.attention = GraphAttentionLayer(in_dim, out_dim, num_heads) self.dropout = nn.Dropout(0.5) self.norm = nn.LayerNorm(out_dim*num_heads) def forward(self, g, h): h = self.attention(g, h) h = self.norm(h) h = F.relu(h) h = self.dropout(h) return h class SAT(nn.Module): def __init__(self, in_dim, hidden_dim, out_dim, num_heads): super(SAT, self).__init__() self.layer1 = SATLayer(in_dim, hidden_dim, num_heads) self.layer2 = SATLayer(hidden_dim*num_heads, out_dim, 1) def forward(self, g, h): h = self.layer1(g, h) h = self.layer2(g, h) return h.mean(0) # Load Cora dataset from dgl.data import citation_graph as citegrh data = citegrh.load_cora() g = data.graph features = torch.FloatTensor(data.features) labels = torch.LongTensor(data.labels) train_mask = torch.BoolTensor(data.train_mask) val_mask = torch.BoolTensor(data.val_mask) test_mask = torch.BoolTensor(data.test_mask) # Add self loop g = dgl.remove_self_loop(g) g = dgl.add_self_loop(g) # Define model and optimizer model = SAT(features.shape[1], 64, data.num_classes, 8) optimizer = torch.optim.Adam(model.parameters(), lr=0.005, weight_decay=5e-4) # Train model for epoch in range(200): model.train() logits = model(g, features) loss = F.cross_entropy(logits[train_mask], labels[train_mask]) optimizer.zero_grad() loss.backward() optimizer.step() acc = (logits[val_mask].argmax(1) == labels[val_mask]).float().mean() if epoch % 10 == 0: print('Epoch {:03d} | Loss {:.4f} | Accuracy {:.4f}'.format(epoch, loss.item(), acc.item())) # Test model model.eval() logits = model(g, features) acc = (logits[test_mask].argmax(1) == labels[test_mask]).float().mean() print('Test accuracy {:.4f}'.format(acc.item())) ``` 在这个示例中，我们首先加载了Cora数据集，并将其转换为一个DGL图。然后，我们定义了一个包含两个SAT层的模型，以及Adam优化器。在训练过程中，我们使用交叉熵损失函数和验证集上的准确率来监控模型的性能。在测试阶段，我们计算测试集上的准确率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值