[论文解读] Attention-based Group Recommendation

Tran Dang Quang Vinh, Tuan-Anh Nguyen Pham+2 more|arXiv (Cornell University)|Apr 12, 2018

Recommender Systems and Techniques参考文献 38被引用 12

一句话总结

本文提出一种基于注意力机制的深度学习模型，用于群体推荐，通过动态加权群体内各成员的偏好来提升推荐准确率。通过注意力机制建模用户特定的影响，该方法在四个数据集上均优于基线方法，证明了注意力机制在处理群体场景下偏好权衡方面的有效性。

ABSTRACT

Recommender systems are widely used in big information-based companies such as Google, Twitter, LinkedIn, and Netflix. A recommender system deals with the problem of information overload by filtering important information fragments according to users' preferences. However, most traditional recommendation techniques have limitations. In light of the increasing success of deep learning, recent studies have proved the benefits of using deep learning in various recommendation tasks. Recommendation architectures have been utilizing deep learning in order to overcome limitations of traditional recommendation techniques. We propose an extension of deep learning to solve the group recommendation problem. On the one hand, as different individual preferences in a group necessitate preference trade-offs in making group recommendations, it is essential that the recommendation model can discover substitutes among user behaviors. On the other hand, it has been observed that a user as an individual and as a group member behaves differently. To tackle such problems, we propose using an attention mechanism to capture the impact of each user in a group. Specifically, our model automatically learns the influence weight of each user in a group and recommends items to the group based on its members' weighted preferences. We conduct extensive experiments on four datasets. Our model significantly outperforms baseline methods and shows promising results in applying deep learning to the group recommendation problem.

研究动机与目标

• 解决群体推荐中的偏好聚合挑战，其中个体用户偏好存在冲突，需进行权衡。
• 建模群体中个体用户影响力的差异，认识到群体行为与个体行为不同。
• 通过利用深度学习克服传统推荐系统的局限性，以捕捉复杂的用户-物品交互。
• 开发一种自动学习用户特定注意力权重的方法，以反映每位成员对群体决策的影响。
• 通过真实世界数据集，证明注意力机制在提升群体推荐场景下推荐性能方面的有效性。

提出的方法

• 采用注意力机制为群体中的每位用户计算动态影响权重，反映其在塑造群体偏好中的相对重要性。
• 将用户嵌入向量与注意力权重结合，生成聚合个体偏好的群体级表征。
• 使用深度神经网络学习用户与物品之间的非线性交互，捕捉复杂的偏好模式。
• 端到端训练模型，使用损失函数优化群体推荐的项目排序或评分预测准确率。
• 应用多头注意力机制，以捕捉用户行为的多样化方面，并提升对噪声或不一致偏好的鲁棒性。
• 利用用户-物品交互数据进行模型训练，注意力权重在反向传播过程中学习，以反映用户在群体决策中的影响力。

实验结果

研究问题

• RQ1 注意力机制如何有效建模群体中个体用户影响力的差异以用于推荐？
• RQ2 与传统群体推荐方法相比，所提出的基于注意力的模型在推荐准确率方面提升程度如何？
• RQ3 该模型是否能在无需显式用户加权的情况下，捕捉群体成员之间微妙的偏好权衡？
• RQ4 该模型在具有不同用户与物品交互模式的多样化数据集上是否具备良好的泛化能力？
• RQ5 在真实场景中，注意力权重对最终群体推荐质量的影响如何？

主要发现

• 所提出的基于注意力机制的模型在所有四个评估数据集上显著优于基线推荐方法。
• 注意力机制成功学习到有意义的用户影响力权重，准确反映了用户对群体偏好的实际贡献。
• 通过动态加权机制，该模型有效处理了群体成员间的偏好冲突，从而提升了推荐准确率。
• 与传统协同过滤相比，结合注意力机制的深度学习方法能更好地表征群体场景下的复杂用户行为。
• 该模型在不同类型的群体推荐任务中均表现出一致的性能提升，表明其具备强大的泛化能力。
• 注意力机制提供了可解释的用户影响力评分，为理解群体决策动态提供了洞察。