论文阅读：Medley of Sub-Attention Networks for Effective Group Recommendation

发表于 更新于

发表在 SIGIR ’19

Introduction

因为组群内部成员互相影响，决策需要一个达成共识，故要对成员之间的互动进行评估建模。

以往的算法聚焦pre-defined群组，不适用于ad-hoc（数据量少）

两个层次：每个成员均用一个sub-attention network表示；进而组成混合网络体兼顾个体和群体。

  1. 群组推荐：
  • 基于内存：
    • preference aggregation：聚合所有成员的偏好
    • score aggregation：为每个用户计算物品得分，然后聚合分数
      • AVG 平均数策略
      • the least misery
      • 考虑各个成员的disagreement可提升推荐效果
  • 基于模型：缺点是针对聚焦pre-defined的组群，可以被视为是向一个用户做推荐（因为组群里的人偏好非常近似）

  1. 神经网络应用在推荐上：捕捉非线性的、非平凡的（方程有非零解）关系。

  2. 注意力：AGREE也针对pre-defined的组群，使用了 作为整个群组偏好的表征，但这个与我们的设定不符

Framework

每次训练组群和一个物品

由 one-hot 做 embedding 生成：

  • item-latent 物品的表征

  • user-context 代表注意力子网络的拥有者

  • user-latent 则是受其影响的其余用户

现有的聚合策略没有考虑到群组的动态变化的复杂度，比如成员影响力在不同的活动上有所不同。使用注意力机制来学习这种动态性。

  1. 注意力子网络 一个组群创建 n 个子网络，以用户 为例，其输入是 和 ，分别输出 n-1 个注意力分数 ：

    论文没有使用激活函数。注意力 query 是子网拥有者 ，key 是

    再将分数放入 Softmax 函数得到注意力权重 ：

然后加权求和得到子网的输出：

也就是注意力的 value 也是 。向量 表示的是整个组群在成员 的影响之下所做的决策。和 相似度高的，得到较大权重，反之则变成小透明。

  1. 混合子网 对所有子网输出求和得到 最终预测分数是和（项目向量）的内积。

基于预先的实验，论文没有使用多头注意力。

训练

目标函数

基于 BPR 给出的损失函数。其实是拉大正负样本之间的差距。负样本是指没有被该组群交互过的物品。

训练细节

mini-batch training：将训练集划分子集。是对于batch梯度下降和随机梯度下降的改进。

dropout：概率性让神经元失活，缓解过拟合。

Experiment

与其他7个算法，在不同数据集上进行了比较。

衡量标准：

Precision and recall are classical evaluation metrics in binary classification algorithms and for document retrieval tasks.

Precision准确率是检索出相关结果数与检索出的结果总数的比率，衡量的是检索系统的查准率
Recall@K召回率是指前topK结果中检索出的相关结果数和库中所有的相关结果数的比率，衡量的是检索系统的查全率。