推荐系统是解决信息过载的有力工具,而人们常以群组的形式参与活动,因而,群组推荐系统应运而生。现有的群组推荐方法侧重于寻找群组内成员之间的相似性,而忽略了成员之间存在的差异,这样会大大降低群组成员对推荐结果的满意度。此外,使用的聚合策略是静态且简单的,很难灵活捕获群组成员的动态权重。因此,需要解决如何分析群组成员之间的差异性、如何获得和分析群组成员的动态权重的问题,从而获得更好的群组推荐结果。本文主要贡献如下:(1)针对群组发现中,群组差异度较大的情况下推荐精度低的问题,本文提出基于用户信任值的自适应分组算法(GUT,Adaptive grouping algorithm based on user trust value)。GUT分组算法主要分为两个步骤:首先,通过K-means算法对历史群组活动信息进行数据预处理,得到潜在群组;然后,通过加入了用户信任值的用户差异度计算方法将潜在群组划分为差异性群组和相似性群组。(2)针对群组推荐在偏好融合中,多采取预定义的策略对群组中的用户偏好进行聚合操作灵活性不够的问题,本文将基于注意力机制的群组推荐算法(AGREE,Attentive Group Recommendation)和关注用户差异的群组推荐算法(UDA,A user-difference attention for group recommendation)融合,提出了一种组合算法:基于注意力机制和成员差异的群组推荐算法(GAMMD,Group recommendation algorithm based on attention mechanism and membership difference)。该算法利用两个注意力机制的多层感知器,分别学习群组成员权重和聚合群组成员的偏好。其中,将AGREE算法用于相似性群组的推荐,将UDA算法用于差异性群组的推荐。(3)通过在CAMRa2011和Amazon Review Data(2018)数据集上与基线方法的对比,本文提出的GAMMD模型在HR和NDCG方面有6.4%以上的提高。并且,本文还构建了基于该算法的电影推荐原型系统,验证了本文提出的方法的可行性。
暂无评论