摘要：群组推荐中的核心问题是群组成员的偏好融合.传统的融合策略大多属于单一型策略,在一定程度上无法更好地满足群组的整体偏好需求.为此,文中提出融合纳什均衡策略和神经协同过滤的群组推荐方法.首先,通过多层感知机获得用户与项目之间潜在特征向量的非线性交互,并联合潜在因子模型和多层感知机实现用户与项目之间的协同过滤推荐.然后,基于个体的推荐评分设计基于纳什均衡的融合策略,更好地保证群组成员的平均满意度达到最大化.最后,在KDD CUP数据集上的实验表明,文中方法在推荐模型和融合策略方面都具有较优的推荐性能.

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模型的命中率(HR)和归一化折损累计增益(NDCG)在Mafengwo数据集上平均提高了8.89个百分点和1.56个百分点,在CAMRa2011数据集上平均提高了2.79个百分点和2.7个百分点。

摘要：在群组推荐中庞大且稀疏的数据往往容易忽视用户群组及项目之间的复杂依赖关系,因此融合不同用户偏好行为嵌入,使用户对群组依赖关系的表现更直观,同时为了在对比中增强视图效果,以获得更准确的推荐结果的目的,提出了一个面向超图的可解释性对比元路径群组推荐框架。通过聚合用户项目群组之间的依赖关系,构建元路径表现实体之间的不同类型交互,以促进实体的相似性,更准确地从数据中获取用户的组内、组外交互;通过将可解释性模型与对比学习相结合的技术,以提高模型的可解释性和性能;通过解释引导增强操作在模型框架上生成的正负视图上结合自监督对比学习,来解决上述问题。在真实数据集上进行实验,验证了所提出方法的有效性。

摘要：学术和工业界所研究的推荐技术绝大部分都是关于单个用户的个性化推荐系统,然而被推荐的对象往往是超过一个人的群体.继而诞生了群组推荐技术,它可以对群组推荐又尽量满足群组中所有个体的偏好.以往的研究集中在个体用户偏好的聚合策略和个体用户对于群组的影响等方面.然而现实应用中的群组除了像家庭和班级这样自然存在的,往往还因个体成员偏好而临时组成,因此需要快速生成这些群组,进而对其进行群组推荐.本文针对这一应用场景,使用局部敏感哈希技术(Locality Sensitive Hash,即LSH)对群组推荐系统进行群组生成和推荐,以达到群组快速生成并提高群组推荐效果的目的.最后在真实的社交网络数据中实现所设计的群组推荐系统.实验结果表明系统具有快速群组生成能力,且使用搜索引擎中衡量排序质量的归一化折扣累计收益(Normalized discounted cumulative gain,即n DCG)指标来评估群组推荐结果,群组规模为2,4,8,16,32,64时推荐质量分别提高了约0.7%,0.6%,2.6%,4%,9%,16%.

摘要：随着网络群组功能的兴起,向用户群组直接生成推荐列表可以有效减少用户的搜索过程和检索时间,组推荐的研究与应用逐渐受到关注。为此,提出基于改进矩阵分解的群组推荐算法,算法首先根据用户共有群信息计算用户间的相关性,并将其集成到矩阵分解中以生成单用户的偏好评分,然后采用基于均值与最小辛苦策略融合的修正满意平衡策略进行评分融合,实现有效的群组推荐。与已有算法对比实验结果表明,提出算法在各评价指标上的群组推荐更优。

摘要：在基于活动的社交网络(EBSN)中,群组中聚集了具有相似兴趣的用户,并为用户组织并举办线下活动,在社区的发展中起到了至关重要的作用,因而理解用户加入群组的原因和群组形成的过程在社交网络的研究中是一个重要的议题.本文通过基于活动的社交网络中的一些相关内容信息,比如社交网络中的标签信息和地理位置信息,来辅助推荐系统更好地为用户预测对于群组的偏好.本文提出了SEGELER(pair-wiSE Geo-social Event-based LatEnt factoR)模型,并使用这些社交网络中的信息,来为用户的兴趣进行预测.通过在真实的EBSN数据集上进行实验与验证,本文的模型不仅可以有效提升对于用户偏好的预测,也可以缓解冷启动问题.

摘要：针对传统的群组推荐预定义策略过于单一,忽视用户与项目之间的交互性,无法捕捉时间推移所造成的用户偏好迁移等问题,提出一种融合时间序列和注意力机制的群组推荐模型TAGR(time-attitation group rememdation)。首先通过层次聚类划分出高相似度群组,其次引入时间序列模型来捕捉用户偏好迁移过程,获取每个时刻用户行为的兴趣偏好,并聚合各时刻兴趣偏好作为用户偏好。最后结合注意力机制,获得用户权重进行偏好融合来表示群组偏好,最终作为推荐模型的输入。通过在Goodbook与MovieLens数据集上与NCF、AGREE等模型进行对比,TAGR在归一化折扣累计增益和命中率2个指标上都得到了显著提高。

摘要：传统的推荐系统主要针对单个用户,但随着社会和电子商务的快速发展,人们越来越多地以多个用户的形式一起参与活动,而群组推荐旨在为多个用户组成的群组提供服务,已成为当前研究的热点之一.针对目前群组推荐准确率低,群组成员之间偏好冲突难以融合的问题,本文提出了一种新的共识模型策略,融合了群组领袖影响因子和项目热度影响因子,基于K近邻为目标群组寻找邻居群组,借鉴邻居群组的偏好,设计了基于偏好融合的群组推荐算法.在MovieLens数据集上的实验结果表明,本文所提的融合策略较传统的偏好融合策略有着更优越的表现,推荐准确率(nDCG)的总体平均性能约提高13%,推荐列表多样性指标的总体平均性能约提高10%.

摘要：目前社交网络中的推荐方法主要是针对单个的个体用户,然而随着日益频繁的社交活动,若干相关用户自然形成了群组,研究如何对于整体的群组用户进行推荐的问题引起了国内外学者的兴趣.本文在优化和改进面向个体的社交follow关系推荐算法的基础上,提出基于矩阵分解和混合策略的群组用户推荐方法.首先,对社交媒体微博中用户-项目矩阵进行奇异值(SVD)分解,然后提出在SVD中加入用户的社交行为和社交关注关系特征,并用随机梯度下降(SGD)算法优化对个体用户推荐的预测评分.其次,在获得个体的推荐评分基础之上,设计一种混合融合策略,该策略融合群组中个体成员的推荐评分形成对该群组的整体评分,从而实现对于群组用户的推荐.最后,实验采用KDDCUP2012竞赛Track1的数据,以平方根误差为评估指标,对比个体推荐中传统SVD模型和本文提出的SVD优化模型,并进一步对比本文提出的混合融合策略与传统的最大满意度、平均满意度及最小忍耐度三种单一融合策略.实验结果表明SVD优化模型优于传统SVD模型,并且采用混合的策略要优于单一的群组融合策略.总体上,本文提出的推荐方法能够有效提高群组推荐的准确度.

摘要：本文对多种融合策略进行简单介绍并基于已有的模型分析其优缺点,将理论结合实际应用,设计一个面向群组的电影推荐应用,并逐步实现。随着现代社会人们出行活动的多样化,各种集体娱乐活动也维持着很高的热度。越来越多群体化应用的出现使得对群组这一对象的推荐技术尤为重要。群组推荐在传统推荐的基础上增加了多种推荐融合策略。