一种基于内外部视角的群组推荐方法

技术特征：
1.一种基于内外部视角的群组推荐方法，其特征在于，包括如下步骤：a)基于外部视角，获取n个群组与k个餐厅的交互记录，g
n
为第n个群组节点，n∈{1,...,n}，v
k
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；b)将群组-餐厅二部图中的群组节点g
n
和餐厅节点v
k
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c)基于外部视角，获取m个用户与k个餐厅的交互记录，u
m
为第m个用户节点，m∈{1,...,m}，v
k
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；d)将用户-餐厅二部图中的用户节点u
m
和餐厅节点v
k
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；f)群组节点g
n
中由|g
n
|个成员组成，c
x
为第x个成员，x∈{1,...,|g
n
|}，在群组节点g
n
中以成员作为节点，构建成员-成员二部图；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g
n
的集合中，g
n
为每个群组成员的嵌入集合，为成员c
x
的嵌入；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c
y
的嵌入，成员c
y
为成员c
x
的邻节点，||为拼接操作；i)计算得到归一化后的注意力系数β
xy
；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g
n
的成员的索引的集合，s＝{1,2,...,|g
n
|}，得到群组节点g
n
中每个成员最终嵌入集合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，w
c
和w
v
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，l)计算得到归一化后的贡献度系数γ
xk
，得到群组节点g
n
对餐厅节点v
k
进行决策时每个成员的贡献度系数
m)通过公式计算得到聚合后的群组嵌入n)通过公式计算得到群组节点g
n
对餐厅节点v
k
预测得分r
nk
，完成模型的建立；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。2.根据权利要求1所述的基于内外部视角的群组推荐方法，其特征在于，步骤b)包括如下步骤：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v
i
为群组节点g
n
的第i个邻节点，0＜i＜|n(g
n
)|，n(g
n
)为群组节点g
n
的邻节点的集合，|n(g
n
)|为群组节点g
n
的邻节点的总数，为群组节点g
n
的度，为邻节点v
i
的度，为邻节点v
i
的嵌入；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g
j
为餐厅节点v
k
的第j个邻节点，0＜j＜|n(v
k
)|，n(v
k
)为餐厅节点v
k
的邻节点的集合，|n(v
k
)|为餐厅节点v
k
的邻节点的总数，为餐厅节点v
k
的度，为邻节点g
j
的度，为邻节点g
j
的嵌入。3.根据权利要求1所述的基于内外部视角的群组推荐方法，其特征在于，步骤d)包括如下步骤：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u
m
的第p个邻节点，0＜p＜|n(u
m
)|，n(u
m
)为用户节点u
m
的邻节点的集合，|n(u
m
)|为用户节点u
m
的邻节点的总数，为用户节点u
m
的度，为邻节点v
p
的度，为邻节点v
p
的嵌入；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u
q
为餐厅节点v
k
的第q个邻节点，0＜q＜|n(v
k
)|，n(v
k
)为餐厅节点v
k
的邻节点的集合，|n(v
k
)|为餐厅节点v
k
的邻节点的总数，为餐厅节点v
k
的度，为邻节点u
q
的度，为邻节点u
q
的嵌入。4.根据权利要求1所述的基于内外部视角的群组推荐方法，其特征在于：步骤e)中0＜α
＜1。5.根据权利要求1所述的基于内外部视角的群组推荐方法，其特征在于：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c
z
之间的注意力系数。6.根据权利要求1所述的基于内外部视角的群组推荐方法，其特征在于：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c
y
的贡献度系数。7.根据权利要求1所述的基于内外部视角的群组推荐方法，其特征在于：步骤o)中x取值为5。8.根据权利要求1所述的基于内外部视角的群组推荐方法，其特征在于，还包括如下步骤：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g
n
对餐厅节点v
k
的预测得分，r
no
为群组节点g
n
对第o个餐厅节点v
o
的预测得分，o∈{1,...,k}，群组节点g
n
与餐厅节点v
k
存在交互，群组节点g
n
与餐厅节点v
o
不存在交互，为群组节点g
n
对餐厅节点v
k
的真实得分，为群组节点g
n
对第o个餐厅节点v
o
的真实得分；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。

技术总结
一种基于内外部视角的群组推荐方法，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。解决偏好冲突问题。解决偏好冲突问题。


技术研发人员：王英龙 韩齐齐 舒明雷 周书旺 刘照阳
受保护的技术使用者：山东省人工智能研究院 齐鲁工业大学
技术研发日：2022.08.02
技术公布日：2022/11/18