用于群推荐的偏好与社交影响解耦建模

群推荐（GR）旨在为社交网络中的用户组推荐物品。现有工作通常仅将个体偏好视为聚合群偏好的唯一因素。实际上，社交影响也是建模用户对最终群决策贡献的重要因素。然而，现有方法要么忽略个体成员的社交影响，要么将偏好与社交影响捆绑为统一表示。结果导致这些模型强调群体中多数人的偏好，而非实际互动物品，我们称之为GR中的偏好偏差问题。此外，他们设计的自监督学习（SSL）策略未能在调节群表示时考虑用户的情境社交权重，导致结果次优。为解决这些问题，我们提出了一种基于群推荐中偏好与社交影响解耦建模的新型模型（DisRec）。具体而言，我们首先设计用户级解耦网络，通过基于（超）图卷积网络的独立嵌入传播方案解耦群成员的偏好与社交影响。随后，我们引入基于社交的对比学习策略，依据用户的社交重要性有选择地排除用户节点，以增强群表示并缓解群级数据稀疏问题。实验结果表明，我们的模型在两个真实数据集上显著优于当前最先进的方法。