Recommender systems are widely used in big information-based companies such as Google, Twitter, LinkedIn, and Netflix. A recommender system deals with the problem of information overload by filtering important information fragments according to users' preferences. In light of the increasing success of deep learning, recent studies have proved the benefits of using deep learning in various recommendation tasks. However, most proposed techniques only aim to target individuals, which cannot be efficiently applied in group recommendation. In this paper, we propose a deep learning architecture to solve the group recommendation problem. On the one hand, as different individual preferences in a group necessitate preference trade-offs in making group recommendations, it is essential that the recommendation model can discover substitutes among user behaviors. On the other hand, it has been observed that a user as an individual and as a group member behaves differently. To tackle such problems, we propose using an attention mechanism to capture the impact of each user in a group. Specifically, our model automatically learns the influence weight of each user in a group and recommends items to the group based on its members' weighted preferences. We conduct extensive experiments on four datasets. Our model significantly outperforms baseline methods and shows promising results in applying deep learning to the group recommendation problem.


翻译:推荐人系统在谷歌、Twitter、LinkedIn和Netflix等大型信息型公司中广泛使用。 推荐人系统根据用户的偏好,通过过滤重要信息碎片,处理信息过量问题。 鉴于深层学习日益成功,最近的研究证明,在各种建议任务中运用深层学习的好处日益明显。然而,大多数拟议的技术仅针对个人,无法有效地应用到集体建议中。在本文件中,我们提议了一个深层次的学习结构来解决集团建议问题。一方面,由于一个集团中不同的个人偏好需要在小组建议中作出偏好取舍,建议模式必须能够发现用户行为中的替代物。另一方面,发现用户个人和群体成员的行为不同。为了解决这些问题,我们建议使用关注机制来捕捉每个用户在集团中的影响。具体地说,我们的模型自动了解每个用户在集团中的影响力,并根据其成员的加权偏好程度向集团推荐项目。我们在四个数据集中进行广泛的实验。我们在四个数据集中进行广泛的实验。我们的模式大大超越了小组的基线方法,在小组中显示有希望的结果。

13
下载
关闭预览

相关内容

Group一直是研究计算机支持的合作工作、人机交互、计算机支持的协作学习和社会技术研究的主要场所。该会议将社会科学、计算机科学、工程、设计、价值观以及其他与小组工作相关的多个不同主题的工作结合起来,并进行了广泛的概念化。官网链接:https://group.acm.org/conferences/group20/
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
LibRec 精选:基于LSTM的序列推荐实现(PyTorch)
LibRec智能推荐
50+阅读 · 2018年8月27日
LibRec 精选:推荐的可解释性[综述]
LibRec智能推荐
10+阅读 · 2018年5月4日
【论文】图上的表示学习综述
机器学习研究会
13+阅读 · 2017年9月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Arxiv
92+阅读 · 2020年2月28日
Arxiv
23+阅读 · 2018年8月3日
Arxiv
6+阅读 · 2018年5月18日
Arxiv
8+阅读 · 2018年2月23日
Arxiv
12+阅读 · 2018年1月28日
Arxiv
5+阅读 · 2017年11月13日
VIP会员
相关VIP内容
相关论文
Top
微信扫码咨询专知VIP会员