融合双层注意力机制的群组偏好融合策略研究

当前推荐系统研究热点及其演变趋势之一是个性化推荐由关注个体推荐逐步转向关注群体推荐。目前多数群组推荐方法在选择偏好融合策略时习惯采用预定义的静态策略，而静态策略的特点就导致算法无法最大化模拟出群组决策的真实过程。在前人研究的基础之上提出一种基于双层注意力机制的群组推荐方法，该方法充分考虑到群体用户的差异性和相互影响，以及对于不同领域的决策权等问题。计算群组内每位成员对其他成员的注意力权重，获得群组成员特征向量，再计算每个成员在选择某一个项目的注意力权重，为群组生成对于该项目的偏好向量，以此来充分还原群组用户之间的交互以及群组决策的过程。通过在CAMRa2011和Meetup数据集上与COM、SIG、AGR、AGREE、FastGR等方法在不同参数条件下进行了对比，在归一化折扣累计增益和命中率两个指标上，相较基线模型平均提高了0.025 4和0.030 7。     

数字文化资源知识图谱多目标跨域推荐方法

数字文化资源具有资源丰富、种类繁多等特点。针对数字文化资源的推荐，考虑到其资源类型的异构多样性，又可以划分为多个不同的子类别域。然而目前大多数的推荐方法仅针对单个物品类别域，无法捕获用户偏好在多个域之间的传播，并有效地利用其他域所提供的信息。基于此，一种基于知识图谱的多目标跨域推荐模型（knowledge graph multi-target cross-domain recommendation model,KGMT）被提出。首先通过知识图谱构建不同域之间的联系，并生成其中有关用户和物品的全局域嵌入。然后采用一种基于自注意力机制的融合注意力模块来联合目标域和全局域的嵌入表征，有效地利用全局域信息来提高每个目标域的推荐效果。最后分别在豆瓣和国家文化云平台的真实数据集上进行了多组实验，实验结果证明KGMT的表现优于基线模型，同时提高了多个目标域的推荐指标。