论文阅读：Attentive Group Recommendation

发表于 更新于

经典的群组推荐论文，首次用到了注意力机制。

Abstract

  • 用注意力机制做群组的表征
  • NCF 研究群组与事物的交互
  • 集成用户-事物的交互

Introduction

dynamic：由于人的专长、兴趣不同，在不同的事物选择上扮演着不同的角色。

通过历史数据聚合群组-物品的交互关系

在一个框架下同时解决群组推荐和物品推荐问题。使用了 NCF 框架，提高群组推荐算法性能，还缓解了用户冷启动问题。

Methods

现有方法

  • 平均策略，对所有成员一视同仁
  • The least misery strategy，将最低分作为物品的最终评分
  • The maximum satisfaction strategy，选最高分作为物品的评分
  • The expertise strategy，根据专业知识技能添加个人的权重

以上方法没有充分利用数据，不能根据事件灵活调整权重–>注意力机制。其实现有方法都是注意力的一种特殊情况，只是它们的权重设置不同。

提出方法

表征学习框架之下，每个兴趣实体被表示为一个向量，表示其特征。本文目标是：获得每个组的一个嵌入向量，来估计对项目的偏好。

群组的嵌入向量分成两部分：用户表征的聚合+群组偏好的表征。

用户特征的聚合

注意力网络计算出权重

注意这里的 query 和 value 是相等的，都是用户的嵌入向量（历史偏好数据），key 则是物品的嵌入向量。

也就是说，对于不同的 item，我们都有不同的 group embedding

群组偏好的特征

组成一个群组时，可能是为了一个共同的兴趣，但是这个兴趣与成员各自的爱好有所不同，所以就加一个参数

NCF

NCF 是推荐系统的经典论文，由中科大何向南教授团队发表，详情可见介绍

其思想是将用户嵌入和项目嵌入输入专用的神经网络，以从数据中学习交互函数。比起传统的 MF 有更好地泛化能力。

目标：同时为组和用户进行推荐，故设计了将用户–项目和组–项目交互功能一起学习。先给出嵌入向量，再进入池化层和隐藏层，最后得出预测。

池化层 两者先点积，再分别串联起来

隐藏层 全连接神经网络，激活函数用 ReLU；用以捕获用户、组和项目之间的非线性和高阶相关性

其中，上面的是针对的用户个人推荐任务分数，下面的是针对群组推荐的预测分数。所以，本文作者是认为，一旦个人的推荐任务更准确，那么群组推荐的自然也更准确，某种程度上这也算是多任务学习。

训练优化

回归为基础的代价函数（两个任务）：