面向群组推荐的双尺度自监督超图学习

随着社交媒体的普及，近年来出现了大量将关注点从个体建模转向群组推荐的推荐系统。由于群组偏好是群组成员各种偏好的混合，群组推荐的根本挑战在于建模成员间的相关性。现有方法大多采用启发式或基于注意力的偏好聚合策略来合成群组偏好。然而，这些模型主要关注用户的成对连接，忽略了群组内部及群组之间复杂的高阶交互。此外，由于群组-物品交互极为稀疏，群组推荐严重受到数据稀疏问题的影响。本文提出一种用于群组推荐的自监督超图学习框架，以实现两个目标：（1）捕获用户间群组内和群组间的交互；（2）利用原始数据本身缓解数据稀疏问题。技术上，对于（1），我们开发了一个基于用户级和群组级超图的层次化超图卷积网络，以建模群组内外用户间复杂的元组式相关性。对于（2），我们设计了一种双尺度节点丢弃策略，以创建自监督信号，该信号能够以不同粒度正则化用户表示，以应对稀疏性问题。在多个基准数据集上的实验分析证明了所提模型的优越性，并阐明了超图建模和双尺度自监督的合理性。