多维度偏好建模的动态兴趣点群组推荐算法.pdf
《多维度偏好建模的动态兴趣点群组推荐算法.pdf》由会员分享,可在线阅读,更多相关《多维度偏好建模的动态兴趣点群组推荐算法.pdf(10页珍藏版)》请在文库网上搜索。
1、计算机科学与探索Journal of Frontiers of Computer Science and Technology1673-9418/2023/17(10)-2478-10doi:10.3778/j.issn.1673-9418.2207107多维度偏好建模的动态兴趣点群组推荐算法孙明阳1,马玉亮2,袁野3+,王国仁31.东北大学 计算机科学与工程学院,沈阳 1101672.东北大学 信息科学与工程学院,沈阳 1108193.北京理工大学 计算机学院,北京 100081+通信作者 E-mail:摘要:随着互联网数据信息的海量化和地理社交网络(GSNs)的不断发展,群组活动在社会生活
2、中盛行,推荐问题的对象由个人向群组进行延伸,兴趣点(POI)群组推荐问题也逐渐成为研究的热点问题。由于GSNs中用户偏好的多因素影响和群组决策过程的复杂化,传统的方法已经不再适用。为了充分挖掘GSNs中用户偏好和模拟群组决策过程,以提高群组推荐的整体性能,提出了一种基于多维度偏好建模的动态兴趣点群组推荐方法。首先,结合时间因素和空间因素,根据用户行为活动记录计算用户偏好,并以群组为单位构建群组-兴趣点感知图;然后,加入协同用户的影响完成对用户群组偏好的建模,并充分考虑了GSNs中的特征,保证了兴趣点推荐的准确性;最后,利用神经网络结构模拟群组决策过程,完成对兴趣点群组推荐任务的求解。在真实数据
3、集上与现有的群组推荐算法进行了对比,实验结果表明提出的算法在兴趣点命中率等方面明显优于对照算法,证明了该算法的有效性。关键词:兴趣点群组推荐;神经网络结构;地理社交网络文献标志码:A中图分类号:TP391.3Dynamic POI Group Recommendation Based on Multi-dimensional User PreferenceModelSUN Mingyang1,MAYuliang2,YUAN Ye3+,WANG Guoren31.School of Computer Science and Engineering,Northeastern University,
4、Shenyang 110167,China2.College of Information Science and Engineering,Northeastern University,Shenyang 110819,China3.School of Computer Science&Technology,Beijing Institute of Technology,Beijing 100081,ChinaAbstract:With the massive quantification of networked data and the development of geo-social
5、networks(GSNs),group activities are prevalent in people s life.The objects of recommendation systems are extended from individ-uals to user groups.Point-of-interest(POI)group recommendation problem is also gradually known as a hotresearch topic.However,the traditional methods are not suitable for gr
6、oup recommendation in geographic socialnetworks,due to the multifactorial influence of user preferences in GSNs and the complexity of the group decision-making process.To reveal user preferences and the effect of the group decision process on group recommendation,this paper proposes a neural network
7、-based model for dynamic POI group recommendation by leveraging multi-dimensional user preference.Firstly,the proposed model combines temporal and spatial factors to calculate user基金项目:国家自然科学基金(61932004,62002054);中国博士后科学基金(2020M670780);东北大学博士后科研基金。This work was supported by the National Natural Scie
8、nce Foundation of China(61932004,62002054),the Postdoctoral Science Foun-dation of China(2020M670780),and the Postdoctoral Research Fund of Northeastern University.收稿日期:2022-07-29修回日期:2022-10-14孙明阳 等:多维度偏好建模的动态兴趣点群组推荐算法兴趣点推荐任务通常是面向用户个体推荐一组该用户可能感兴趣的地点。随着互联网数据信息的海量化和地理社交网络(geo-social networks,GSNs)的不断
9、发展,人与人之间的联系越来越紧密。以往的用户个体活动也逐渐发展为群组活动,推荐问题的主体也从用户个体向群组进行延伸。兴趣点群组推荐问题也逐渐成为很多学者的研究热门课题之一,且在娱乐、社交媒体、文旅活动1-3等领域具有广泛的应用。兴趣点群组推荐问题是向一组用户推荐他们可能感兴趣的一组地点,例如几个朋友想找一个地点聚会。在现实生活中,群组决策的方式复杂多样,例如听从朋友的意见、听从专业人士的意见、坚持自己的观点等。群成员可能会因为其他成员的决定而对自己的选择产生变化,也可能因其专业性对群组最终决策拥有较大的话语权。现有研究主要致力于将深度学习4-6的相关技术应用于群组推荐系统,并取得了良好的效果。
10、然而,现有的群组推荐模型很大程度上只适合处理无特定相关上下文信息的群组推荐任务。兴趣点推荐问题具有很强的上下文信息相关性。具体而言,兴趣点推荐的上下文信息主要包括时间、地点上下文信息。时间上下文信息表示用户在某一时间段内的偏好,地点上下文信息多数反映用户到达新地方的偏好变化。此外,兴趣点群组推荐通常存在兴趣本地化和活动本地化的现象,其中兴趣本地化是指不同地方的用户兴趣存在很大差别,活动本地化是指用户通常在周边进行活动。然而,现有的兴趣点群组推荐模型的群组聚合策略往往是静态的,无法模拟复杂的动态决策过程。因此本文对地理社交网络中的动态兴趣点群组推荐展开研究,将用户多维度嵌入学习和注意机制相结合,
11、考虑地理社交网络的动态特征,提出基于神经网络结构的动态兴趣点群组推荐模型。本文的主要贡献如下:(1)提出了一种新颖的面向地理社交网络的群组推荐模型,该模型基于用户的多维度偏好建模和群组决策的动态过程相结合,实现动态兴趣点群组推荐。(2)为了刻画地理因素对用户偏好的影响,本文在用户偏好建模阶段进行多维度嵌入学习,即融合群组成员的偏好、兴趣点的空间和时间特性、协同用户的影响,增强用户偏好的表示学习。(3)利用神经网络结构并以群组成员的增强嵌入表示为核心实现决策过程的动态性,提高兴趣点群组推荐的准确率。(4)在真实数据集上进行了一系列的实验,结果表明本文提出的模型在推荐命中率等方面优于现有的群组推荐
12、模型,充分验证了本文提出模型的有效性。1相关工作群组推荐方法大致分为两类,基于内存(memory-based)的方法和基于模型(model-based)的方法。基于内存的方法又可细分为基于偏好聚合的方法和基于分数聚合方法。其中基于偏好聚合方法的主要思想就是提取每个成员的偏好信息和群组成员间的关系信息,并将偏好信息整合形成一个伪概要文件,根据概要文件进行推荐。例如文献7在推荐电视节目的问题中,通过提取用户的偏好来构建概要文件,然后通过用户概要文件聚合算法,形成一个共同的用户配置文件来反映群体大部分人的偏好信息。基于分数聚合方法的主要思想就是计算群组中每个成员对于候选物品的偏好分数,最后将分数聚合
13、并排列完成推荐。通常包括三种常用策略,即平均策略8、最小痛苦策略9、最大满意策略10。基于模型的群组推荐方法的主要思想是模拟群preferences based on user behavior activity records and builds a group-point-of-interest perception graph with groupas unit.Next,this paper adds the influence of collaborative users to model group preferences,which fully considersthe cha
14、racteristics of GSNs,to ensure the accuracy of POI group recommendation.Finally,a neural network-basedmodel can be constructed to simulate group decision-making,which can ensure the accuracy of POI recommen-dations.This paper conducts extensive experiments by comparing the existing group recommendat
15、ion algorithms onthe real datasets to demonstrate the performance of the method proposed in this paper.Experimental results showthat the proposed method is significantly better than the existing algorithms in terms of the hit rate of POI,whichproves the effectiveness of the proposed algorithm.Key wo
16、rds:point-of-interest group recommendation;neural network structure;geo-social networks2479Journal of Frontiers of Computer Science and Technology计算机科学与探索2023,17(10)组决策过程相结合,设计出能更好反映实际的模型。例如 Wang 等人11提出了 BTF-GR(bidirectionaltensor factorization model for group recommendation)模型,在社会群体背景下,考虑用户与群组之间双向的
17、影响关系,即用户偏好和群组决策之间的相互作用;Guo等人12将社会影响放在首位来设计组推荐模型,将个性、专业程度、社交网络、用户偏好等因素综合考虑;Yin等人13同样以社交影响为核心,并模拟群体其他成员对于某个推荐项的容忍(愿意接受不喜欢的内容)和利他(愿意接受朋友喜欢的内容)因素进行建模。从群组推荐问题的衍生至今,用户偏好不再是单一的因素所决定的,与社交网络、社会影响6等相关因素相结合来更好地模拟现实中所做出的决策过程是目前更多人所研究的方向。近些年它们在传统的推荐中得到了广泛的应用。目前很多学者致力于将深度学习的相关技术和方法应用于群组推荐系统。例如 He 等人4提出了 GAME(grap
18、hical andattentive multi-view embeddings)群组推荐模型,该模型是基于用户、推荐项与群组之间相互表示、相互影响的思想5,从多个视图出发,并利用表示学习和神经交互学习两个部分来完成群组对推荐项分数的动态预测过程。Tran等人14提出了 MoSAN(medley ofsub-attention networks)群组推荐模型,利用次级注意网络中群组成员之间的相互作用来动态分配群组成员的注意力权值完成群组偏好聚合过程。Cao等人15-16提出了 AGREE(attentive group recommendation)模型,该模型将注意机制首次引入应用于群组推荐
19、领域,根据每个用户的历史数据对每个组成员动态地分配注意力权重,并在预测阶段通过多层神经网络完成推荐。在兴趣点群组推荐问题中,Zhu等人17以兴趣点的距离为中心,充分考虑群组决策时兴趣点的合理性,并采用基于距离的预过滤和基于距离的排名来调整群组满意度。现有的兴趣点18推荐方法通过考虑类别、距离等多个方面来建模,以兴趣点为核心,忽略了用户偏好的影响,很少有研究能将GSNs中的特性同用户偏好相结合进行统一建模。并且现有模型方法的聚合策略大多数都是静态的,这些静态的预定义策略在设置群组成员权重过程中缺乏灵活性,不能准确地反映群组成员在群组决策过程中动态的变化过程。因此本文提出了基于多维度偏好建模的动态
20、兴趣点推荐算法,实验表明该算法能够有效地提高推荐的准确率。2问题定义本章介绍论文中所使用的主要符号、兴趣点群组推荐问题中的相关定义。常用符号及其描述如表1所示。定义1(地理社交网络)地理社交网络将传统的社交网络同地点相结合,加入了位置因素,以便在社会结构中的用户可以共享嵌入位置信息。在 GSNs中,本文使用Users=u1,u2,un表示用户,用POIs=p1,p2,pm表示兴趣点信息,每个地点由一个二元组(lat,lon)唯一确定且对应现实世界中的某个具体位置。对于GSNs中的每个用户可以随时在GSNs中签到并产生一条签到记录,其中签到记录表示为三元组(ui,pj,time)的形式。表 2
21、为 Foursquare 中部分签到数据示例。其中用户和兴趣点通过UserID和POI唯一确定,每个兴趣点都对应唯一的坐标信息lat、lon,每条用户活动记录对应一条时间戳信息time。定义 2(群组-兴趣点感知图)群组-兴趣点感知表1符号描述Table 1Notation description符号Users、POIsn、mtimelat、lonrecordGgVg、EgNlui、pjUs、Up、Uc、dW、b含义用户集、兴趣点集用户集、兴趣点集的数量时间信息兴趣点的经纬度坐标数据集中所有的签到记录群组-兴趣点感知图Gg中顶点集、边集Gg中兴趣点的索引用户、兴趣点的嵌入表示用户偏好的嵌入表示
22、权重系数表示向量的嵌入维度神经网络中权重矩阵和偏置模型中所有训练参数集表2Foursquare中的签到数据示例Table 2Example of check-in data on FoursquareUserID131679210425POI2 20526 1446 898lat38.853 04441.880 64940.717 776lon-77.042 313-87.653 954-73.957 848time2013-09-16 23:23:082013-09-16 23:23:222013-09-16 23:21:592480孙明阳 等:多维度偏好建模的动态兴趣点群组推荐算法图如图
23、1所示,主要由两层网络组成,包括用户层和地点层,将用户偏好与时间特性和空间特性相结合用于群组成员与地点时间的建模阶段。定义为Gg=Vg,Eg,具体规则构建如下:(1)顶点集Vg包含群成员顶点和兴趣点顶点;(2)边集Eg包含在群成员和兴趣点顶点之间,即如果在给定的时间段内群成员访问过该兴趣点,则它们之间存在一条边,并且将边赋予相应的权值。其中权值的大小由群成员访问频次最高的兴趣点与该兴趣点之间距离来决定,计算公式如下:Weight=R arccos(a)(1)a=cos lon1cos lon2cos(lat1-lat2)+sin lon1sin lon2(2)问题定义 在GSNs中,对于任意给
24、定群组g和时间节点time,动态兴趣点群组推荐的目标是学习一个预测函数F(g,time,p|),其中p为某个候选的兴趣点,表示函数F的模型参数。3模型概述本文将模型分为表示学习层、表示聚合层、预测优化层三部分。模型的整体架构图如图2所示,将用户的嵌入信息和地点信息作为模型的输入,群组对于推荐兴趣点的预测分数作为模型的输出。在进行表示学习之前,本文先将用户和兴趣点进行向量表示,将其作为模型中的基本表示单元。本文首先使用 one-hot 编码来表示用户u Users和兴趣点pPOIs的所有状态,即u i Rn和p j Rm。然后使用两个可训练的矩阵E Rn d和F Rm d来将它们转变为同维的嵌入
25、表示向量,即ui Rd和pj Rd。ui=ETu i(3)pj=FTp j(4)3.1表示学习层在该部分,本文将用户偏好表示分为三部分:用户嵌入表示Us、用户-兴趣点嵌入表示Up、协同用户嵌入表示Uc。并通过聚合策略最终得到用户的最终嵌入表示。Uf=Agg(Us+Up+Uc)(5)3.1.1用户嵌入表示在该部分本文将用户自身嵌入表示Us作为用户表示向量的一部分,它表示用户的历史偏好信息,考虑的是用户的原始偏好。图1群组-兴趣点感知图Fig.1Group-POI awareness graph图2模型框架图Fig.2Framework of proposed model2481Journal o
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 多维 偏好 建模 动态 兴趣 点群 推荐 算法