基于事件社会网络的Next事件推荐策略.pdfVIP

摘 要 近年来，基于事件的社会网络(event-based social networks, EBSN)逐渐成为人们 寻找感兴趣事件(如音乐会，玩桌游，论坛讲座等) 的有效途径。因其蓬勃发展，EBSN 服务的用户数和发布的事件数都增长迅速，如何将事件精准地推荐给有需求的用户 已成为该领域的重要主题。Next 项目推荐能捕获用户的动态偏好，在电子商务等领 域有较好效果。然而，与传统推荐场景相比，EBSN 中存在上下文信息复杂、事件生 命周期短、新事件冷启动等特有问题，现有的Next 项目推荐技术难以直接应用。本 文首先介绍Next 项目推荐和群组推荐的基本原理和研究现状，再总结当前事件推荐 的基本方法并指出其不足，最后分别研究EBSN 中面向单用户和面向群组的Next 事 件推荐策略。 针对单用户Next 事件推荐，提出一种联合注意模型，其基于事件的内部信息与 事件间的外部联系，利用注意力机制构造内部模型和外部模型并联合两者进行推荐。 具体而言，内部模型利用 EBSN 中丰富的上下文信息构造一个事件分类模型，其通 过注意力机制将各类上下文融合成事件的特征表示。外部模型构造了一个序列预测 模型，其根据用户访问的历史事件建模用户动态偏好。为了模拟各个时间步的历史 事件对下一个事件决策的影响，提出一种带符号的多头注意力机制。该机制不仅能 分配权重，还能捕捉用户在与历史事件交互时产生的正向或负向隐式情感反馈。最 后，用更高阶的注意力来融合正向和负向的反馈结果，得到用户动态偏好。在来自 Meetup 的真实数据集进行了实验，结果表明该模型具有更好的推荐效果。 针对群组Next 事件推荐，提出一种基于注意力的动态群组推荐策略。基于群组 偏好会随时间动态变化的思想，将群组与事件的历史交互被划分为多个时段。考虑 到划分后组成员数据会更稀疏性，对群组偏好建模不利，提出基于参与度的排序策 略提取当前时段的少量核心成员，再利用注意力机制融合出群组静态偏好。然后， 通过序列模型将各个时段的静态偏好融合得到群组动态偏好。最后，将多标签分类 问题引入事件推荐，其将上下文看作事件的各个标签，使模型预测各个上下文的概 率分布以匹配事件，从而缓解新事件冷启动问题。在Meetup 数据上构建出隐式群组 并进行推荐实验，其结果表明该模型具有较好的性能。 关键词：基于事件社会网络；Next 事件推荐；群组推荐；注意力机制 I 目 录 第 1 章 绪论 1 1.1 研究背景及意义 1 1.2 主要研究目标与内容 4 1.3 论文组织结构 5 第 2 章 相关推荐技术研究 6 2.1 Next 项目推荐 6 2.1.1 Next 项目推荐模式 6 2.1.2 基于序列模型的Next 项目推荐 7 2.1.3 基于图模型的Next 项目推荐 10 2.2 群组推荐 11 2.2.1 群组推荐模式 11 2.2.2 基于偏好融合的群组推荐 12 2.2.3 基于结果融合的群组推荐 13 2.3 EBSN 中的事件推荐 14 2.3.1 单用户事件推荐 14 2.3.2 群组事件推荐 15 2.3.3 Next 事件推荐 15 2.4 其他相关技术 16 2.4.1 注意力机制 16 2.4.2 多标签分类问题 17 2.5 本章小结 17 第 3 章 基于注意力的单用户 Next 事件推荐 18 3.1 问题背景及定义 18 3.2 联合注意力模型框架 19 3.2 用于特征表示的内部模型 20 3.3 用于Next 事件推荐的外部模