[论文解读] Interact and Decide: Medley of Sub-Attention Networks for Effective Group Recommendation

Lucas Vinh Tran, Tuan-Anh Nguyen Pham+4 more|arXiv (Cornell University)|Apr 12, 2018

Recommender Systems and Techniques参考文献 52被引用 34

一句话总结

本文提出MoSAN，一种用于动态群体推荐的新型神经网络架构，通过多种子注意力网络建模用户间的动态交互，其中每个用户由一个子注意力模块表示，以捕捉其相对于其他用户偏好的影响。MoSAN通过有效学习动态的、群体特定的用户影响力权重，显著优于七个SOTA基线模型，在多个基准数据集上达到最先进性能。

ABSTRACT

This paper proposes Medley of Sub-Attention Networks (MoSAN), a new novel neural architecture for the group recommendation task. Group-level recommendation is known to be a challenging task, in which intricate group dynamics have to be considered. As such, this is to be contrasted with the standard recommendation problem where recommendations are personalized with respect to a single user. Our proposed approach hinges upon the key intuition that the decision making process (in groups) is generally dynamic, i.e., a user's decision is highly dependent on the other group members. All in all, our key motivation manifests in a form of an attentive neural model that captures fine-grained interactions between group members. In our MoSAN model, each sub-attention module is representative of a single member, which models a user's preference with respect to all other group members. Subsequently, a Medley of Sub-Attention modules is then used to collectively make the group's final decision. Overall, our proposed model is both expressive and effective. Via a series of extensive experiments, we show that MoSAN not only achieves state-of-the-art performance but also improves standard baselines by a considerable margin.

研究动机与目标

• 解决群体推荐中的挑战，即集体决策受群体成员之间复杂且动态的交互影响。
• 克服现有方法依赖静态偏好聚合或未能有效建模用户间交互的局限性。
• 开发一种深度学习模型，以捕捉群体内部细粒度的、动态的用户影响，从而提高推荐准确性和可解释性。
• 通过建模每个用户在不同群体情境中的角色和影响力，实现更具表现力和个性化的群体推荐。

提出的方法

• 提出一种子注意力网络合奏（MoSAN），其中每个群体成员由一个专用的子注意力模块表示。
• 每个子注意力模块基于用户相对于群体中所有其他成员的偏好计算注意力权重，以动态建模用户间交互。
• 通过加权聚合机制整合子注意力输出，生成最终的群体级推荐决策。
• 使用多头注意力机制捕捉多样的交互模式，提升表征表达能力。
• 采用成对排序损失端到端训练模型，以优化Top-N推荐性能。
• 将用户交互数据作为隐式信号，学习动态影响力权重，而无需依赖显式的角色或元数据。

实验结果

研究问题

• RQ1 如何有效建模群体内部的用户交互，以提升群体推荐性能？
• RQ2 一种能够动态学习不同群体中用户影响力权重的神经架构，是否能超越静态聚合方法？
• RQ3 MoSAN在真实世界群体推荐数据集上的表现与SOTA基线相比如何？
• RQ4 与PIT等基线模型相比，MoSAN在多大程度上能捕捉用户在不同群体情境下的真实重要性？
• RQ5 随着群体规模增大，特别是对更大、更复杂的群体，模型性能如何变化？

主要发现

• MoSAN在四个真实世界数据集上显著优于七个SOTA基线模型，在ndcg@5和rec@5两个指标上均达到SOTA性能。
• 在Plancast数据集上，对于16–20人的群体，MoSAN相比最佳基线模型性能提升20.97%，展现出对大规模群体的强大可扩展性。
• 当移除Plancast中前10位最具影响力的用户后，MoSAN性能下降29.97%；在Meetup数据集上下降18.15%，表明模型正确识别并依赖于高影响力用户。
• 相比之下，PIT在移除高权重用户后性能几乎不变，说明其注意力机制未能捕捉到有意义的用户影响力。
• MoSAN成功检测到动态用户角色：在某一群体中，用户u_4122占据主导地位，而在另一群体中，MoSAN识别出不同的影响力用户；而PIT则分配固定不变的影响力权重。
• 消融实验表明，简单的注意力池化方法不足以胜任，其性能与基线矩阵分解模型相当，凸显了MoSAN中子注意力设计的必要性。