Situation-Dependent Combination of Long-Term and Session-Based Preferences in Group Recommendations: An Experimental Analysis ----組推薦中基於長期和會話偏好的情景依賴組合

標籤：約束   建議   成員   更新   項目   轉換   排序   sed   觀察   

一、摘要：

背景：交談群組推薦系統的一個主要挑戰是如何適當地利用群組成員之間的互動引起使用者偏好，這可能會偏離使用者的長期偏好。長期偏好和群組誘導的偏好之間的相對重要性應該根據具體的群組設定而變化。

本文：通過實驗，結論：當群組討論對群組成員的喜好沒有影響時，長期偏好佔有更大權重。而當群組上下文促使成員有更多或更少的相似喜好時，群組誘導偏好佔有更大權重。

二、引言：

背景：傳統的推薦系統注重於個人化推薦，但是現在存在許多需要滿足一組使用者需求的情境。例如，一群朋友或者一個家庭需尋找一個餐廳，這導致了群組推薦系統的發展。

問題：群組推薦系統在提高推薦品質的研究已經有了一定的進展，但是群組決策過程的動態性還沒有得到充分的探索。事實上，大多數研究都注重融合群組成員靜態偏好的方法，這些方法忽略了在特定組上下文中使用者的行為，並且忽略了使用者偏好的變化，【這些變化經常發生在群組決策過程中】

本文：提出一個會話群組重修正模型，該模型既考慮了個體的長期偏好【由項目評分獲得】，還考慮了使用者在群組討論期間對項目的直接反饋【其反應了使用者當前的需求】。該模型是在一個提供聊天環境的群組推薦系統中實現的，該推薦系統整合了各種決策支援和重新通知的功能。

在該系統可能存在群組成員面對群組情景有不同的社會表現。例如：群組成員可以根據個人想法表達自己觀點，也可以改變自己的觀點以接受他人的影響，或者他們採取與團隊建議相反的行動。

本文的目的：研究如何在上述情境中適當地結合長期偏好和會話特定的偏好。

三種社會影響：（a）獨立性——群組對使用者偏好沒有影響。（b）轉換——群組推動成員之間有更多相似的偏好。（c）反一致性——群組使成員有更多的不同偏好。

偏好組合戰略的三個變體：（一）長期和基於會話偏好的重要性相等（二）長期偏好更重要（三）會話偏好更重要。

三、群組推薦

在以往的模型中，組推薦系統通過項目評分來獲得長期偏好，但是，在群組討論中，群組成員可能偏離他們之前所觀察到的偏好。這可能是由於其他群組成員和群組決策動態影響。

因此，需利用兩個偏好來產生且持續更新使用者的偏好模型。

• 成員偏好模型由函數來表示，
• 對群組成員的效用函數進行彙總，建立群組偏好模型。
• 根據該組偏好來對群組推薦項目進行排序。

每個使用者的偏好模型由效用函數表示：

這裡 x(i) = (x1(i), . . . , xn(i))是一個n維bool特徵向量，其表示項目i。 xj(i) = 1 (xj(i) = 0) 表示項目有（無）第j個特徵。例如：

x(5) = （1，0，1，0）意味著項目5包含第1和第3個特徵，沒有第2和第4個特徵。

w表示使用者偏好，權重。wj（u）表示使用者u對第j個項目特徵的重要程度。所有權重相加等於1，且大於0，越大越重視。

1、基於內容的方法產生表示使用者的 長期偏好的效用向量：

 是由使用者u打分的項目集合，K是歸一化因子。例如：

2、會話偏好

當群組決策過程中，假設使用者為群組討論提出項目並評估其他群組成員提出的項目。

 在小組討論中，所有項目被分為四組：BS（u）（最佳項目）、LS（u）（喜歡項目）、NS（u）（中性項目）、DS（u）（不喜歡項目）。

假設使用者偏好具有較大效用的項，故以下滿足約束：

：群組g中使用者u的項目效用集合。

比如：

3、使用者和群組的效用函數：

使用者u的群組會話偏好：

 

w (g)表示群組所有成員的平均會話偏好。wg(u)需要滿足約束，同時與w(g)的餘弦相似性最大。

原始使用者長期偏好和會話偏好的線性組合：

以下表示使用者長期偏好受群組誘導偏好的影響，產生的真實效用向量。其中，γ就是控制偏好組合三個變體的參數。

 

整體演算法：

 

 

Situation-Dependent Combination of Long-Term and Session-Based Preferences in Group Recommendations: An Experimental Analysis ----組推薦中基於長期和會話偏好的情景依賴組合