目录
GAME[1]
SIGIR 2020 A会
摘要
群组推荐的目标是为一群用户推荐喜欢的项目。很多现有群组推荐方法直接学习群组/用户内在的兴趣、项目内在的特征，即独立地对群组/用户/项目的表示进行建模。然而当为临时群组（一群人临时组成的群组，这些人的历史行为通常交集很少）进行推荐时，这样独立的视角会面临严重的冷启动问题。事实上，群组、用户和项目并不是独立的，他们彼此之间有着交互。这种依赖关系组成了一张交互图，提供了多个视角来学习实体的表示，能够提升针对临时群组的推荐效果。我们提出了GAME（Graphical and Attentive Multi-view Embeddings）模型来从多个视角学习三种实体的embedding表示，包括其自身视角以及交互图中各个交互对应的视角。每个实体的表示是从多个交互视角、使用注意力机制聚合而来，能够自适应地调整不同视角的权重。例如，一个用户的表示可能由他交互过的群组或者项目聚合而来。此外，GAME还使用了神经协同过滤来研究多个视角下群组（或用户）与项目的交互。最后，我们在两个真实数据集上进行了大量实验，结果表明GAME能够胜过SOTA模型，在冷启动群组（例如临时群组）或冷启动项目上效果更好。
创新点
- 提出了GAME来为临时群组进行推荐，从多个视角对用户/项目/群组进行建模，充分利用交互图来学习其综合的表示。
- 某个实体的表示是通过与其有过交互的实体（在各个视角上）聚合而来，基于注意力机制动态地调整不同视角的权重，提升推荐效果。
- 我们在两个真实数据集上进行了大量实验，结果表明GAME能够胜过SOTA模型，在冷启动群组（例如临时群组）或冷启动项目上效果更好。
模型
分为表示学习和神经交互学习两部分。
表示学习
用户表示建模
一个用户的表示由三部分构成：
1. 用户自身的embedding
2. item视角：与该用户交互过的项目聚合而来（使用注意力机制聚合）的embedding：
attention的输入为用户和项目，输出为每个项目的权重：
3. group视角：该用户参与过的群组聚合而来（使用注意力机制聚合）的embedding：
每个群组的权重计算与公式（2）类似，输入改为用户和群组。
这三部分通过拼接、MLP来得到最终用户的表示：
项目表示建模
一个项目的表示由三部分构成：
1. 项目自身的embedding
2. user视角：与该项目交互过的用户聚合而来的embedding：
每个用户的权重计算与公式（2）类似，输入改为项目和用户。
3. group视角：与该项目交互过的群组聚合而来的embedding：
每个群组的权重计算与公式（2）类似，输入改为项目和群组。
这三部分通过拼接、MLP来得到最终项目的表示：
群组表示建模
群组表示由群组中用户的表示加权聚合得到：
用户的权重是基于当前项目计算的，并通过softmax进行了归一化：
交互学习
首先将群组（或用户）的表示与项目的表示逐点相乘：
再通过MLP和sigmoid来得到最终的预测分数：
训练目标
隐式反馈数据上的topk推荐问题，使用pairwise learning;
损失函数：
用户-项目交互：
群组-项目交互：
使用Adam优化器最小化该损失函数，扩大正负样本之间的评分差距。
实验
数据集：Meetup-NYC, Meetup-CA （Meetup数据集中的两个城市：纽约和加利福尼亚）
基准算法：
- 个性化推荐算法+偏好融合策略：NCF-AVG, NCF-LM, NCF-MS, FM-AVG
- 群组推荐算法：MoSAN, AGREE, GRADI
评价指标：
[email protected] and [email protected]
训练集、测试集划分比例为8:2
由于对所有项目排序过于耗时，所以对每个群组挑选100个负样本，和测试集中那一个ground truth item混在一起排序，计算指标。
整体对比结果：
- AVG的融合策略比LM/MS效果更好，因为LM/MS仅考虑了少数群组成员；
- 基于NCF的方法效果比基于FM的效果更好，因为NCF结合了矩阵分解的线性和MLP的非线性，而FM在建模交互对平等地对待群组中的成员。
- 群组推荐算法 比 个性化推荐算法+偏好融合策略 效果更好，因为考虑了群组中不同成员独特的影响（而不是使用固定的融合策略）；
- GAME的效果在各种情况下都是最好的，并且K约大，优势越明显。
群组规模的影响：
- 在各种规模上的群组上，GAME都取得了显著的效果提升；
- 当群组规模小的时候，GAME的提升更大，说明了我们模型的优越性：GAME在对小规模群组建模时，通过多种视角考虑了更多的交互信息。
冷启动项目上的效果：
GAME在冷启动项目上的优势最为明显，因为是从多个视角学习item的表示。
[1] He Z, Chow C Y, Zhang J D. GAME: Learning Graphical and Attentive Multi-view Embeddings for Occasional Group Recommendation[C]//Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. 2020: 649-658.