针对群推荐系统的数据稀疏性挑战,以及现有群推荐方法忽略群、群成员以及不同备选物品之间的复杂关联关系问题,提出一种基于图注意力网络的群推荐方法(group recommendation method based on graph attention network,GAT-GRM)。首先,...针对群推荐系统的数据稀疏性挑战,以及现有群推荐方法忽略群、群成员以及不同备选物品之间的复杂关联关系问题,提出一种基于图注意力网络的群推荐方法(group recommendation method based on graph attention network,GAT-GRM)。首先,将群推荐系统中群、群成员以及不同物品间的复杂关联刻画为层次关系图数据,包括用户-物品交互关系图、群组-用户包含关系图、群组-物品交互关系图等。其次,利用图注意力网络内在地聚合各类交互关系图,从历史交互数据中动态学习群偏好、用户偏好和物品特征。最后,基于群偏好、用户偏好和物品特征进行物品评分预测。实验结果表明,在CAMRa2011数据集上,GAT-GRM的性能显著优于各类基准算法。在稀疏度98.89%的群推荐任务下,GAT-GRM平均绝对偏差和均方根误差相较最优基准算法分别降低9.3%和9.6%。展开更多
文摘针对群推荐系统的数据稀疏性挑战,以及现有群推荐方法忽略群、群成员以及不同备选物品之间的复杂关联关系问题,提出一种基于图注意力网络的群推荐方法(group recommendation method based on graph attention network,GAT-GRM)。首先,将群推荐系统中群、群成员以及不同物品间的复杂关联刻画为层次关系图数据,包括用户-物品交互关系图、群组-用户包含关系图、群组-物品交互关系图等。其次,利用图注意力网络内在地聚合各类交互关系图,从历史交互数据中动态学习群偏好、用户偏好和物品特征。最后,基于群偏好、用户偏好和物品特征进行物品评分预测。实验结果表明,在CAMRa2011数据集上,GAT-GRM的性能显著优于各类基准算法。在稀疏度98.89%的群推荐任务下,GAT-GRM平均绝对偏差和均方根误差相较最优基准算法分别降低9.3%和9.6%。
