融合长短期兴趣的属性增强临时群组推荐算法

摘要

群组推荐旨在为群体用户提供推荐服务，其最终目的是满足群组成员间不同的偏好需求。现有群组推荐算法大多是面向固定群组的，忽视了大量具有偶然性和特殊性的临时群组。为了进一步拓展群组推荐算法的应用场景，有效应对临时群组历史交互信息短缺的问题，提出一种融合长短期兴趣的属性增强临时群组推荐算法。首先，在用户—项目整体历史交互和用户短期交互序列中分别注入项目的属性信息，综合运用超图网络、图神经网络和门控循环单元学习用户的长短期兴趣。进而，利用注意力机制将组内成员的长期兴趣聚合为群组的长期兴趣；同时，设计成员短期兴趣与群组长期兴趣之间的相似性度量策略计算成员权重，并通过加权融合的方式获得群组的短期兴趣。在此基础上，采用长短期兴趣对比学习最大化两类群组兴趣之间的一致性，通过对比损失和推荐损失对模型进行联合优化，以获得高质量的群组综合表征，实现临时群组的精准推荐。最后，通过2个真实数据集上的对比分析和消融实验验证所提模型的可行性和有效性，实验结果表明项目属性信息和用户短期兴趣可有效增强临时群组表征质量，显著提升模型的推荐效果。

关键词

项目属性信息 / 长短期兴趣 / 超图网络 / 对比学习 / 群组推荐