一种基于内外部视角的群组推荐方法

1.本发明涉及群组推荐技术领域，具体涉及一种基于内外部视角的群组推荐方法。


背景技术：

2.集体聚餐作为联络感情、释放压力的一种方法，成为人们生活中不可或缺的一部分，然而如何根据群体成员的偏好选择合适的餐厅成为一大难题，个性化推荐可以针对单个用户提供推荐，但无法直接有效的应用于群组决策，迫切需要开发高效的群组推荐系统为群组决策提供推荐服务。
3.群组推荐的目标对象是由具有不同偏好的用户组成的群组，群组内在复杂性和决策动态性使得群组推荐更具挑战性。群组推荐的核心问题是如何解决成员偏好冲突及准确对群组偏好建模，传统的群组推荐通常采用预定义的策略聚合成员偏好作为群组偏好，但这些策略的性能与数据相关，缺乏灵活性，无法建模群组内在复杂性与决策动态性。而近期提出的一些基于深度学习的方法仅考虑群组决策的某些特定方面，忽略了如成员相互影响、用户独立性等众多有用信息，不能完整体现群组决策的具体过程。


技术实现要素：

4.本发明为了克服以上技术的不足，提供了一种有效解决成员偏好冲突、准确地为集体聚餐推荐合适餐厅的基于内外部视角的群组推荐方法。
5.本发明克服其技术问题所采用的技术方案是：
6.一种基于内外部视角的群组推荐方法，包括如下步骤：
7.a)基于外部视角，获取n个群组与k个餐厅的交互记录，gn为第n个群组节点，n∈{1,...,n}，vk为第k个餐厅节点，k∈{1,...,k}，根据交互记录构建群组-餐厅二部图；
8.b)将群组-餐厅二部图中的群组节点gn和餐厅节点vk输入到ultragcn图卷积神经网络中学习群组和餐厅的交互记录，经图卷积操作之后得到群组节点的嵌入及餐厅节点的嵌入
9.c)基于外部视角，获取m个用户与k个餐厅的交互记录，um为第m个用户节点，m∈{1,...,m}，vk为第k个餐厅节点，k∈{1,...,k}，根据交互记录构建用户-餐厅二部图；
10.d)将用户-餐厅二部图中的用户节点um和餐厅节点vk输入到ultragcn图卷积神经网络中学习用户和餐厅的交互记录，经图卷积操作之后得到用户节点的嵌入及餐厅节点的嵌入
11.e)通过公式计算得到最终的餐厅节点的嵌入式中α为超参数；
12.f)群组节点gn中由|gn|个成员组成，c
x
为第x个成员，x∈{1,...,|gn|}，在群组节点gn中以成员作为节点，构建成员-成员二部图；
13.g)根据公式将成员对应的用户节点的嵌入映射到群组节点gn的集合中，gn为每个群组成员的嵌入集合，为成员c
x
的嵌入；
14.h)通过公式计算得到注意力系数e
xy
，式中a为权重向量，，式中a为权重向量，为实数空间，d为嵌入的维度，w为共享的权重矩阵，为实数空间，d为嵌入的维度，w为共享的权重矩阵，为成员cy的嵌入，成员cy为成员c
x
的邻节点，||为拼接操作；
15.i)计算得到归一化后的注意力系数β
xy
；
16.j)通过公式计算得到成员c
x
的最终嵌入式中σ(
·
)为非线性激活函数，s为群组节点gn的成员的索引的集合，s＝{1,2,...,|gn|}，得到群组节点gn中每个成员最终嵌入集合
17.k)基于内部视角，通过公式计算得到成员c
x
的贡献度系数o
xk
，式中h为投影到贡献度系数o
xk
的权重向量，t为转置，wc和wv均为可学习的注意力网络的权重矩阵，重矩阵，b为偏置矩阵，
18.l)计算得到归一化后的贡献度系数γ
xk
，得到群组节点gn对餐厅节点vk进行决策时每个成员的贡献度系数
19.m)通过公式计算得到聚合后的群组嵌入
20.n)通过公式计算得到群组节点gn对餐厅节点vk预测得分r
nk
，完成模型的建立；
21.o)将预测得分r
nk
由高到低排序，选择前x个餐厅进行群组推荐。
22.进一步的，步骤b)包括如下步骤：
23.b-1)ultragcn图卷积神经网络中通过公式计算得到群组节点的嵌入式中vi为群组节点gn的第i个邻节点，0＜i＜|n(gn)|，n(gn)为群组节点gn的邻节点的集合，|n(gn)|为群组节点gn的邻节点的总数，为群组节点gn的度，为邻节点vi的度，为邻节点vi的嵌入；
24.b-2)ultragcn图卷积神经网络中通过公式计算得到
餐厅节点的嵌入式中gj为餐厅节点vk的第j个邻节点，0＜j＜|n(vk)|，n(vk)为餐厅节点vk的邻节点的集合，|n(vk)|为餐厅节点vk的邻节点的总数，为餐厅节点vk的度，为邻节点gj的度，为邻节点gj的嵌入。
25.进一步的，步骤d)包括如下步骤：
26.d-1)ultragcn图卷积神经网络中通过公式计算得到用户节点的嵌入式中v
p
为用户节点um的第p个邻节点，0＜p＜n(um)，n(um)为用户节点um的邻节点的集合，|n(um)|为用户节点um的邻节点的总数，为用户节点um的度，为邻节点v
p
的度，为邻节点v
p
的嵌入；
27.d-2)ultragcn图卷积神经网络中通过公式计算得到用户节点的嵌入式中uq为餐厅节点vk的第q个邻节点，0＜q＜|n(vk)|，n(vk)为餐厅节点vk的邻节点的集合，|n(vk)|为餐厅节点vk的邻节点的总数，为餐厅节点vk的度，为邻节点uq的度，为邻节点uq的嵌入。
28.优选的，步骤e)中0＜α＜1。
29.进一步的，步骤i)中利用公式计算得到归一化后的注意力系数β
xy
，式中softmax(
·
)为softmax激活函数，e
xz
为成员c
x
和成员cz之间的注意力系数。
30.进一步的，步骤l)中通过公式计算得到归一化后的贡献度系数γ
xk
，式中softmax(
·
)为softmax激活函数，o
yk
为用户cy的贡献度系数。
31.优选的，步骤o)中x取值为5。
32.进一步的，还包括如下步骤：
33.p-1)通过公式计算得到损失函数loss，式中r
nko
＝r
nk-r
no
，r
nk
为群组节点gn对餐厅节点vk的预测得分，r
no
为群组节点gn对第o个餐厅节点vo的预测得分，o∈{1,...,k}，群组节点gn与餐厅节点vk存在交互，群组节点gn与餐厅节点vo不存在交互，为群组节点gn对餐厅节点vk的真实得分，为群组节点gn对第o个餐厅节点vo的真实得分；
34.p-2)另存在交互的真实得分为1，不存在交互的真实得分为0，则
35.p-3)利用损失函数loss对步骤n)中的模型进行训练，训练过程中使用adam优化器并采用小批量法对损失函数loss进行优化。
36.本发明的有益效果是：基于外部视角，将群组与餐厅和用户与餐厅的交互看作两个独立的过程，利用图卷积分别学习这两种交互行为中隐含的偏好信息，使模型学习到用户作为个体时的个人偏好以及群组作为整体时的固定偏好。基于内部视角，将群组决策过程中成员之间存在的互动商讨过程考虑在内，采用图注意力神经网络学习此过程中产生的成员间的相互影响，使模型能够准确捕捉受影响后的成员偏好变化。基于内部视角，不同成员在群组中的作用与影响力不同，导致在群组决策中的贡献度不同，采用注意力机制学习成员贡献度大小，能够以一种动态的方式学习聚合策略，更好的权衡不同成员的偏好，解决偏好冲突问题。
附图说明
37.图1为本发明的基于外部视角的流程图；
38.图2为本发明的基于内部视角的流程图。
具体实施方式
39.下面结合附图1、附图2对本发明做进一步说明。
40.一种基于内外部视角的群组推荐方法，旨在从群组与餐厅以及成员与餐厅的历史交互数据中发掘群组偏好。群组决策的过程是所有成员达成共识的过程，这其中会涉及到个人意愿与群体意愿的取舍，因此，本研究从内部和外部，即群组和成员两个视角入手，分析群组决策过程，考虑用户个人偏好、群组固定偏好以及群组聚合偏好，考虑群组成员间的相互影响，考虑群组成员对决策的不同贡献度，对群组偏好建模，解决成员偏好冲突，准确地为集体聚餐推荐合适的餐厅，具体的包括如下步骤：
41.a)基于外部视角，获取n个群组与k个餐厅的交互记录，gn为第n个群组节点，n∈{1,...,n}，vk为第k个餐厅节点，k∈{1,...,k}，根据交互记录构建群组-餐厅二部图。
42.b)将群组-餐厅二部图中的群组节点gn和餐厅节点vk输入到ultragcn图卷积神经网络中学习群组和餐厅的交互记录，经图卷积操作之后得到群组节点的嵌入及餐厅节点的嵌入
43.c)基于外部视角，获取m个用户与k个餐厅的交互记录，um为第m个用户节点，m∈{1,...,m}，vk为第k个餐厅节点，k∈{1,...,k}，根据交互记录构建用户-餐厅二部图。
44.d)将用户-餐厅二部图中的用户节点um和餐厅节点vk输入到ultragcn图卷积神经网络中学习用户和餐厅的交互记录，经图卷积操作之后得到用户节点的嵌入及餐厅节点的嵌入
45.e)将步骤a)至步骤d)中得到的两种不同的餐厅嵌入线性相加得到餐厅嵌入的最终形式，具体的：通过公式计算得到最终的餐厅节点的嵌入式
中α为可手动调节的超参数，用于控制两种不同的餐厅嵌入的相对重要性。
46.f)基于内部视角，群组节点gn中由|gn|个成员组成，c
x
为第x个成员，x∈{1,...,|gn|}，在群组节点gn中以成员作为节点，构建成员-成员二部图，该图中任意两个节点都是连通的。
47.g)为了便于成员嵌入的表示，根据公式将成员对应的用户节点的嵌入映射到群组节点gn的集合中，gn为每个群组成员的嵌入集合，为成员c
x
的嵌入。
48.h)采用图注意力神经网络学习成员之间的相互影响，首先利用共享的权重矩阵w对节点的嵌入进行变换，之后以一个由权重向量参数化的前馈神经网络表示的注意力机制计算两者间的注意力系数，即：通过公式计算得到注意力系数e
xy
，式中a为权重向量，，式中a为权重向量，为实数空间，d为嵌入的维度，w为共享的权重矩阵，为实数空间，d为嵌入的维度，w为共享的权重矩阵，为成员cy的嵌入，成员cy为成员c
x
的邻节点，||为拼接操作。
49.i)计算得到归一化后的注意力系数β
xy
。
50.j)通过公式计算得到成员c
x
的最终嵌入式中σ(
·
)为非线性激活函数，s为群组节点gn的成员的索引的集合，s＝{1,2,...,|gn|}，得到群组节点gn中每个成员最终嵌入集合
51.k)基于内部视角，采用注意力神经网络学习每个成员在群组决策中的贡献度系数，将成员贡献度系数与对应的嵌入计算加权和得到群组嵌入以估计群组偏好。因此，通过公式计算得到成员c
x
的贡献度系数o
xk
，式中h为投影到贡献度系数o
xk
的权重向量，t为转置，wc和wv均为可学习的注意力网络的权重矩阵，b为偏置矩阵，
52.l)计算得到归一化后的贡献度系数γ
xk
，得到群组节点gn对餐厅节点vk进行决策时每个成员的贡献度系数
53.m)通过公式计算得到聚合后的群组嵌入
54.n)通过公式计算得到群组节点gn对餐厅节点vk预测得分r
nk
，完成模型的建立。
55.o)将预测得分r
nk
由高到低排序，选择前x个餐厅进行群组推荐。
56.基于外部视角，将群组与餐厅和用户与餐厅的交互看作两个独立的过程，利用图卷积分别学习这两种交互行为中隐含的偏好信息，使模型学习到用户作为个体时的个人偏好以及群组作为整体时的固定偏好。基于内部视角，将群组决策过程中成员之间存在的互
动商讨过程考虑在内，采用图注意力神经网络学习此过程中产生的成员间的相互影响，使模型能够准确捕捉受影响后的成员偏好变化。基于内部视角，不同成员在群组中的作用与影响力不同，导致在群组决策中的贡献度不同，采用注意力机制学习成员贡献度大小，能够以一种动态的方式学习聚合策略，更好的权衡不同成员的偏好，解决偏好冲突问题。
57.实施例1：
58.步骤b)包括如下步骤：
59.b-1)ultragcn图卷积神经网络中通过公式计算得到群组节点的嵌入式中vi为群组节点gn的第i个邻节点，0＜i＜|n(gn)|，n(gn)为群组节点gn的邻节点的集合，|n(gn)|为群组节点gn的邻节点的总数，为群组节点gn的度，为邻节点vi的度，为邻节点vi的嵌入；
60.b-2)ultragcn图卷积神经网络中通过公式计算得到餐厅节点的嵌入式中gj为餐厅节点vk的第j个邻节点，0＜j＜|n(vk)|，n(vk)为餐厅节点vk的邻节点的集合，|n(vk)|为餐厅节点vk的邻节点的总数，为餐厅节点vk的度，为邻节点gj的度，为邻节点gj的嵌入。
61.实施例2：
62.步骤d)包括如下步骤：
63.d-1)ultragcn图卷积神经网络中通过公式计算得到用户节点的嵌入式中v
p
为用户节点um的第p个邻节点，0＜p＜|n(um)|，n(um)为用户节点um的邻节点的集合，|n(um)|为用户节点um的邻节点的总数，为用户节点um的度，为邻节点v
p
的度，为邻节点v
p
的嵌入；
64.d-2)ultragcn图卷积神经网络中通过公式计算得到用户节点的嵌入式中uq为餐厅节点vk的第q个邻节点，0＜q＜|n(vk)|，n(vk)为餐厅节点vk的邻节点的集合，|n(vk)|为餐厅节点vk的邻节点的总数，为餐厅节点vk的度，为邻节点uq的度，为邻节点uq的嵌入。
65.实施例3：
66.步骤e)中0＜α＜1。
67.实施例4：
68.步骤i)中利用公式计算得到归一化后的注意力系数β
xy
，式中softmax(
·
)为softmax激活函数，e
xz
为成员c
x
和成员cz之间的注意力系数。
69.实施例5：
70.步骤l)中通过公式计算得到归一化后的贡献度系数γ
xk
，式中softmax(
·
)为softmax激活函数，o
yk
为用户cy的贡献度系数。
71.实施例6：
72.步骤o)中x取值为5。
73.实施例7：
74.还包括如下步骤：
75.p-1)通过公式计算得到损失函数loss，式中r
nko
＝r
nk-r
no
，r
nk
为群组节点gn对餐厅节点vk的预测得分，r
no
为群组节点gn对第o个餐厅节点vo的预测得分，o∈{1,...,k}，群组节点gn与餐厅节点vk存在交互，群组节点gn与餐厅节点vo不存在交互，为群组节点gn对餐厅节点vk的真实得分，为群组节点gn对第o个餐厅节点vo的真实得分；
76.p-2)另存在交互的真实得分为1，不存在交互的真实得分为0，则
77.p-3)利用损失函数loss对步骤n)中的模型进行训练，训练过程中使用adam优化器并采用小批量法对损失函数loss进行优化。
78.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。