[论文解读] An Intelligent Group Event Recommendation System in Social networks

Guoqiong Liao, Huang Xiao-mei+2 more|arXiv (Cornell University)|Jun 16, 2020

Recommender Systems and Techniques参考文献 42被引用 4

一句话总结

本文提出ACGER，一种基于注意力机制的上下文感知群组事件推荐模型，用于事件驱动型社交网络（EBSNs），通过神经网络动态学习上下文对用户、群组和事件的影响。通过整合间接（基于注意力的聚合）和直接（神经网络学习的）群组偏好，并与个体推荐联合训练，ACGER在两个真实世界数据集上的表现显著优于当前最先进模型。

ABSTRACT

The importance of contexts has been widely recognized in recommender systems for individuals. However, most existing group recommendation models in Event-Based Social Networks (EBSNs) focus on how to aggregate group members' preferences to form group preferences. In these models, the influence of contexts on groups is considered but simply defined in a manual way, which cannot model the complex and deep interactions between contexts and groups. In this paper, we propose an Attention-based Context-aware Group Event Recommendation model (ACGER) in EBSNs. ACGER models the deep, non-linear influence of contexts on users, groups, and events through multi-layer neural networks. Especially, a novel attention mechanism is designed to enable the influence weights of contexts on users/groups change dynamically with the events concerned. Considering that groups may have completely different behavior patterns from group members, we propose that the preference of a group need to be obtained from indirect and direct perspectives (called indirect preference and direct preference respectively). In order to obtain the indirect preference, we propose a method of aggregating preferences based on attention mechanism. Compared with existing predefined strategies, this method can flexibly adapt the strategy according to the events concerned by the group. In order to obtain the direct preference, we employ neural networks to directly learn it from group-event interactions. Furthermore, to make full use of rich user-event interactions in EBSNs, we integrate the context-aware individual recommendation task into ACGER, which enhances the accuracy of learning of user embeddings and event embeddings. Extensive experiments on two real datasets from Meetup show that our model ACGER significantly outperforms the state-of-the-art models.

研究动机与目标

• 解决现有群组推荐模型中预定义、僵化群组聚合策略的局限性。
• 建模事件驱动型社交网络（EBSNs）中上下文因素（如时间、位置、社交关系）对群组决策的复杂、非线性和动态影响。
• 通过间接（成员偏好聚合）和直接（群组特定交互模式）两种视角捕捉群组偏好。
• 通过联合训练群组和个体推荐任务，提升嵌入质量和推荐准确性。
• 通过学习上下文因素的动态注意力权重，使模型能够根据事件类型自适应调整其决策策略。

提出的方法

• 提出一种新颖的注意力机制，联合建模用户/群组-上下文与事件-上下文之间的交互，以计算上下文对群组决策的动态影响权重。
• 采用基于神经网络的注意力机制，从数据中学习自适应群组聚合策略，替代平均值或多数票决等固定规则。
• 通过随事件类型变化的注意力权重，学习性地聚合个体成员偏好，以建模间接群组偏好。
• 利用深度神经网络直接从群组-事件交互数据中学习直接群组偏好，以捕捉独特的群组行为模式。
• 通过共享表示学习，联合训练群组推荐任务与个体推荐任务，以提升用户和事件嵌入质量。
• 采用多层神经网络，建模用户、群组、事件与上下文因素之间的深层非线性交互。

实验结果

研究问题

• RQ1 如何在EBSNs中建模上下文因素（如时间、位置、社交关系）对群组偏好的动态、非线性影响？
• RQ2 与平均值或最小痛苦法等预定义策略相比，可学习的注意力机制是否能提升群组偏好聚合效果？
• RQ3 间接（成员聚合）与直接（群组特定）群组偏好在准确事件推荐中的贡献程度如何？
• RQ4 将个体推荐整合到群组推荐框架中，是否能提升群组推荐性能？
• RQ5 上下文因素如何影响模型学习准确群组偏好及提升推荐准确性的能力？

主要发现

• ACGER在两个真实世界Meetup数据集上的所有评估指标（P@5, R@5, NDCG@5）上均显著优于当前最先进模型。
• 仅使用间接偏好的ACGER_U性能优于仅使用直接偏好的ACGER_G，表明间接偏好在群组偏好学习中起主导作用。
• 不包含个体推荐任务的ACGER_Grp性能显著低于ACGER，在纽约数据集上P@5下降10.03%，表明联合训练具有显著优势。
• 不包含上下文信息的ACGER2性能明显劣于ACGER，证实上下文建模对高推荐准确性的关键作用。
• 注意力机制有效捕捉了动态上下文影响，模型能根据事件类型自适应调整注意力权重，提升上下文感知决策能力。
• 个体与群组推荐任务的整合提升了用户和事件嵌入质量，从而实现更准确的群组偏好建模。