原文： https://ieeexplore.ieee.org/abstract/document/9679118

group recommendation

群组推荐：给一组用户推荐items。在现实生活中，人们通常会共同消费某个产品，例如与朋友一起吃饭，与家人一起看电影。群组推荐中，各个成员的兴趣点可能不一致，并且对于最终决策的影响力和贡献度也不一致，因此其比给单个用户推荐要复杂许多。

目前的群组推荐方法：预定义策略：用户兴趣采用预定义的策略进行建模，例如average、least misery等方式。这种方式在建模时不够准确并且不能够动态调整权重。基于模型：通过捕获用户间的交互来合理的聚合信息。基于深度学习：注意力机制、社交网络等。

这些方法存在一些缺陷：
1）没有利用group之间的交互信息，忽略了跨组的协作信号；例如下图中，可以从user和item两个视角考虑组之间的协作信息：user层面，g1和g2有共同的u2，可以推测g1可能对i3感兴趣，因为g2选择了i3；在item层面，g1和g3都选择了i2，g1可能对i4感兴趣，因为g3选择了i4。

2）group最终的选择可能不同于组内任何一个用户的兴趣，因此上述方式不足以描述总体偏好。例如一家三口去看电影，孩子喜欢卡通片，父母喜欢喜剧片，最终一起去电影院可能会选择教育电影。

双通道超图卷积网络

这篇文章提出双通道超图卷积网络（HCR)：一个通道为超图卷积，融合跨组用户的偏好信息，一个通道为普通图卷积，了解群组的偏好。

符号定义

U = { u 1 , u 2 , . . . u m } U=\left\{u_1,u_2,...u_m\right\} U={u1​,u2​,...um​}
I = { i 1 , i 2 , . . . i n } I=\left\{i_1,i_2,...i_n\right\} I={i1​,i2​,...in​}
G = { g 1 , g 2 , . . . g k } G=\left\{g_1,g_2,...g_k\right\} G={g1​,g2​,...gk​}
分别表示user集合、item集合、group集合。
$Y=[y_{th}{]}_{k\times n}$表示group与item的交互，$R=[r_{jh}{]}_{m\times n}$代表user与item的交互。
超图：$G^h=(V^h,E^h)$，$V^h$包含user和item两种结点，$E_h$为group成员和交互过的item
重叠图：$G^o=(V^o,E^o)$，把超图的超边作为顶点，如果超边有重叠顶点，则连接两个超边，并将重叠比例作为边权重。

如上图（a），虚线为超边，超边内包含user和组交互过的item，图（b）将超边作为顶点，e1和e2有一个顶点重叠，一共有6个顶点，因此其连接边权重为1/6

member-level偏好网络

主要包括两个步骤，先通过超图卷积学习user-item的高阶表示，再通过注意力机制学习组内成员的偏好:

• 超边共享的部分能够体现组之间偏好的协作关系，通过超图卷积来学习user和item的表示。采用超图卷积学习顶点的embedding，公式如下（这里不同于HGNN，舍去了非线性化部分）：
  
  group聚合user和item的信息，再将信息从group聚合到结点，实现跨组协作信息的提取，来增强user和item的表示。
  在经过L层的卷积后，对每层的embedding进行平均得到：$X^{\ast }=1/(L+1){\sum }_{l=0}^L{X}^{(l)}$，并且将user和item的表示进行连接：$X^{\ast }=[U^{\ast };I^{\ast }]$

• 为了考察成员对于组的决策的影响，本文对user的表示进行加权求和：
  
  其中系数$\alpha (j,h)$为可学习参数，表示user在组中决策时的影响。embedding u表示user的历史偏好，而u*则包含了协作信息，将两者连接起来共同加入计算。定义$\alpha$为：
  
  $W_u,W_i$为可学习权重，学习用户表示以后，通过激活函数$ReLU$再与权重$h^T$相乘，转换为分数；
  再对分数进行标准化（即上面公式的第二行，相当于softmax）。
  这一步骤通过软注意力机制，结合用户历史和协作信息与项目属性和协作信息，来计算用户在群体决策中的贡献。

meber-level网络得到最终的embedding为：$g_t^M$

group-level偏好网络

直接聚合组内成员的偏好作为组的偏好可能会忽略group-level的固有偏好，group的偏好可能与组内成员都不一致。

通过对重叠图进行卷积，获取组的表示，捕获组之间的高阶交互信息：

上式中，$G$为group embedding，$Q$为可学习权重，
同样的，对经过$L$层卷积得到的embedding进行平均，得到最终的embedding$G^{\ast }=1/(L+1){\sum }_{l=0}^L{G}^{(l)}$

在group-level得到embedding：$g_t^G=G_t^{\ast }$

组偏好聚合

通过上述两个level网络得到两个embedding：$g_t^M,g_t^G$，为了合并两个隐层表示，设计了一种门控网络（参考LSTM和GRU）：

预测

对于group-item待预测对，采用以下公式进行预测：

$i_h$为目标item的嵌入，$w$为预测层的权重。

优化

采用pairwise学习框架来设计损失函数：

$D_G$表示group-item训练集，每个项为三元组$(t,h,h^{\prime })$，表示组$g_t$与$i_h$产生了交互，而与$i_{h^{\prime }}$没有交互。

由于数据的稀疏性，为进一步提升准确度，加入了user-item交互信息，同样地，对于user-item对，采用与上述group-item预测相同的参数进行预测：

最终的损失函数如下：

同样的，$D_U$中三元组表示，用户$u_j$与$i_h$有交互，与$i_{h^{\prime }}$没有交互

实验

数据集

Mafengwo：为马蜂窝网站数据集
CAMRa2011：用户和群组对电影的评分
1
2

预处理：
a. 每个群组至少有2个成员，以及至少与3个item交互过
b. 由于两个数据集都只包含正样本，需要从缺失数据中随机抽取负样本，进行配对。

Baseline

NCF：将组看作一个虚拟用户，同时使用用户和虚拟用户的信息进行预测
Popularity：根据item的流行度进行推荐，流行度用交互次数来衡量
COM：基于概率理论模拟群体活动
UL_ALL：分级聚合
AGR：基于注意力机制，学习用户注意力权重
SoAGREE：社交信息增强，分层注意网络

评价指标

• $HR@N$：每个用户top-N列表中属于测试集合的item个数，与测试集中用户实际交互item的个数，之比
  $$HR@N=\frac{NumberOfHits@N}{GT}$$
  分子为命中数量，分母为总数。

• $NDCG@N$：NDCG是什么，评价排序的准确性

实验对比

1. 组推荐任务：

2. 用户推荐任务：

3. HCR每个组件的重要性：

HCR_M：只有member-level网络
HCR_G：只有group-level网络
1
2

组推荐中（table4）：

• 在组推荐中，HCR优于只有其他两种模型，说明了两个层级对于整体模型都有作用
• 在Mafenwo数据集上，HCR_M优于HCR_G，由于该数据集平均成员数和总用户数大，且群体交互信息少，因此更适用member-level方式聚合信息
• 在CAMRa2011数据集上，由于平均组成员数和总用户数少，成员的兴趣组合较少，且群体交互数据多，因此更实用group-level方式

用户推荐中（table5）：

• HCR_M在Mafengwo数据集获得最佳性能，用户数量庞大，group-level建模可能会干扰用户兴趣的学习
• 在CAMRa2011上，HCR获得最佳性能。

4. 超参数

• 考察卷积层数的影响：层数为3时，在两个数据集上效果较好
  
• 考察负采样策略（随机采样各种数量的缺失数据作为负样本）的合理性，当选择更多的负样本时，负采样的性能变得稳定，并近似于所有缺失数据的结果。根据实验结果可知，采样更多的阴性样本是有益的。通过增加负样本数，模型具有更大的优化能力。随着负样本的增加，模型性能大大提高并趋于稳定：