融合上下文信息與自注意力機制的群組推薦算法

摘 要：針對群組推薦中組內成員存在偏好動態復雜性的問題，群組成員間的偏好會彼此影響，提出了一種融合上下信息與自注意力機制的群組推薦算法。首先，為了更好地捕捉群組成員間的動態關系，利用自注意力機制自動學習群組內用戶的上下文信息與群組中其他成員間的關系權重；其次，根據自注意力機制學習到的組矩陣取其均值嵌入得到群組偏好表示；最后，根據群組偏好利用貝葉斯個性化排序方法進行群組推薦。將提出的方法在MovieLens-1M和CAMRa2011兩個數據集上進行實驗，并且與基準算法進行比較分析，該方法在推薦的命中率HR和NDCG兩個指標上均有提升，實驗結果證明該方法得到了更優的群組推薦結果。

關鍵詞：群組推薦；上下文信息；自注意力；群組偏好

中圖分類號：TP181 文獻標志碼：A

文章編號：1001-3695（2023）02-031-0498-06

doi：10.19734/j.issn.1001-3695.2022.05.0325

Group recommendation algorithm combining context information and

self attention mechanism

Zhang Chuang1a，1b，Wang Wei1a，1b，2，Du Yuxuan1a，1b，Zheng Xiaoli1a，1b

（1.a.School of Information amp; Electrical Engineering，b.Hebei Key Laboratory of Security amp; Protection Information Sensing amp; Processing，Hebei University of Engineering，Handan Hebei 056038，China；2.School of Internet of Things Engineering，Jiangnan University，Wuxi Jiangsu 214122，China）

Abstract：There is dynamic complexity of preference among members in group recommendation，and the preferences of group members will affect each other.As for these questions，this paper proposed a group recommendation algorithm that combined the context information and self attention mechanism.Specifically，first of all，in order to better capture the dynamic relationship among group members，it used self attention mechanism to automatically learn the context information of users in the group and the relationship weights among other members in the group.Secondly，according to the group matrix learned from the self attention mechanism，it embedded the average value to obtain the group preference expression.Finally，according to group prefe-rence，it applied the Bayesian personalized ranking method into the test for group recommendation.During the research，the author used the above mentioned method to test on two datasets，namely MovieLens-1M and CAMRa2011.As a result，compared with the benchmark algorithms，this method has improved the evaluation indexes HR and NDCG.And the experimental results show that this method achieves better effect in group recommendation.

Key words：group recommendation；context information；self attention；group preference

0 引言

隨著信息時代的發展，海量數據的不斷增長在各領域（如電影、新聞等）帶來信息過載的問題，而推薦系統［1］可以有效解決這一問題。目前推薦系統的研究大多數是對單用戶進行個性化推薦，然而隨著社交網絡的發展，個性化推薦不能夠滿足一些群組活動（如公司團建、團隊旅游等）的需求，因此群組推薦應運而生，成為當今的研究熱點。

近年來針對群組推薦系統的研究越來越多，群組推薦需要考慮到群體動態的內在復雜性，如何權衡組內成員的偏好差異性和找到對成員偏好融合的最佳策略是群組推薦的關鍵，從而獲得讓群組成員更滿意的推薦結果。目前群組推薦算法對群組成員偏好的融合方法主要分為推薦模型融合和推薦結果融合兩大類。推薦模型融合是由組內成員偏好利用融合策略形成群組偏好進行推薦，典型的模型融合策略有：a）均值策略［2］，對群組成員的偏好進行加和平均，對組內成員相似度較高的推薦效果較好，但是忽略了對組內權重較高的用戶；b）專家策略［3］，對群組中有特定工作領域知識經驗豐富的成員進行推薦，但容易忽略群組內成員相互之間的偏好影響；c）最小痛苦策略［4］，為群組推薦普通的項目，用戶既不喜歡也不討厭，其推薦結果太過單一；d）多元投票策略［5］，對多數用戶的偏好推薦得票數最多的項目，忽略了群組推薦的公平性。推薦結果融合是根據群組內成員的偏好利用個性化推薦算法生成用戶的推薦列表，然后根據推薦列表使用融合策略生成群組推薦列表，而推薦融合［6］算法由于群組內成員的偏好差異性問題會導致推薦結果差異性不同。

群組偏好融合是群組推薦的重要步驟，群組的決策具有動態性，因此在群組推薦時需要考慮組內的動態復雜性問題，

用戶的偏好之間會相互影響。針對該問題，提出了一種融合上下文信息與自注意力機制的群組推薦算法，首先，為了更好地捕捉模擬群體成員之間的動態關系，利用群組中某一用戶的上下文向量通過自注意力機制來學習與組內其他成員間的動態關系；其次，注意力機制學習到的組矩陣取其均值嵌入得到群組偏好表示；最后，利用個性化推薦算法對群組進行推薦，但是個性化推薦算法是針對單一用戶進行推薦，因此可以將一個群組看成一個用戶來進行推薦即可。本算法不僅考慮了群組內成員相互影響的動態關系，讓組內成員都參與推薦的過程，緩解了群組成員偏好矛盾，還利用了貝葉斯個性化推薦算法的思想，通過構建正負數據三元組，生成用戶與項目的關系矩陣，緩解了數據稀疏方面存在的問題，可以提高群組推薦結果的滿意度。

1 相關研究

1.1 群組推薦算法

推薦系統作為緩解信息過載的重要工具，主要利用用戶的偏好進行預測來推薦項目，給用戶提供更優質的服務。目前針對群組推薦［7］的研究是推薦領域的熱點，推薦對象由單一用戶轉變為一個群組。在群組推薦中，存在群組與項目交互數據稀疏性的問題，需要通過融合群組內成員的偏好進行群組建模來緩解這一問題，而群組建模的核心技術是使用偏好融合策略和偏好融合方法［8］，選擇不同偏好融合策略和偏好融合方法可以提高推薦結果的滿意度。

其中偏好融合策略可以分為基本融合策略、混合融合策略、加權融合策略。一些典型的基本融合策略有均值策略（AVG）［2］、Borda公平策略［9］、加法策略［10］等，這些基本策略在提取偏好方面都存在一定的問題，形成群組偏好的滿意度不佳；混合融合策略主要通過基本融合策略中任意組合形成新的策略來提取群組偏好，在群組推薦中可以通過多種組合策略來解決基本融合策略中存在的問題［11］；加權融合策略又稱做加權模型［12］，主要通過計算群組內成員參與決策的權重值進行加權聚合得到群組偏好，其考慮了用戶信息（如特征、角色等）對群組偏好的影響，也可以利用用戶間的交互信息，因此其靈活性較高，加權融合策略給每個群組成員分配不同的權重［13，14］，形成的群組偏好更加準確。

偏好融合方法主要分為模型融合方法和推薦融合方法兩類，如圖1、2所示。其中模型融合與推薦融合的區別在于使用融合策略的階段，模型融合首先將群組內用戶偏好利用融合策略形成群組偏好，再通過推薦算法完成推薦；而推薦融合則根據群組內用戶偏好首先利用推薦算法生成推薦列表，再利用融合策略完成推薦。這兩種方法各有利弊，推薦融合能利用不同的推薦算法來調整推薦列表，可以找到更優質群組推薦結果，但是計算復雜度相對較高；模型融合計算復雜度較低，但是群組推薦結果的滿意度效果不佳。

目前群組推薦技術的發展不僅要滿足群組需求，還要盡可能地緩解群組成員偏好矛盾，提高推薦結果的滿意度，使群組推薦技術面臨各種新問題并提出相應的解決方案。例如，對于群組偏好的相似性問題，Roy等人［15］提出的基于共識函數的理論，通過計算組內成員偏好的相似程度來解決該問題；對于群組偏好建模忽略組內成員間交互問題，Liu等人［16］提出個人影響主題模型通過分析組員的社交網絡信息等關系選出具有影響力的用戶為群組推薦做決策；對于群組中用戶偏好準確性問題，Campos等人［17］提出貝葉斯協作網絡模型通過相似用戶的投票來計算群組評分。因此，目前的群組推薦技術需要不斷的發展來提高推薦的滿意度。

1.2 推薦領域的注意力機制

目前關于注意力模型的研究是機器學習中的重要技術，不同領域都隨處可見注意力模型的應用，如自然語言處理、圖像識別等。而在推薦系統領域也常見注意力模型的使用，例如Zhang等人［18］在微博推薦中利用了通道注意力模型來解決標簽推薦問題，通過計算微博詞匯序列所占的權重值進行推薦；Wang等人［19］在文章推薦中利用動態注意力模型來捕捉文章動態的特征進行推薦；Vinh等人［20］在群組推薦中利用注意力機制模型來學習群組中成員間的相互影響關系，解決群組內成員的動態關系問題。

目前，在推薦系統領域中自注意力機制也被廣泛使用，其從注意力機制改進而來，自注意力機制也可以稱為內部注意力，并且在推薦等任務上比注意力機制更加優秀，自注意力機制不依賴于外部信息，降低了外部信息的干擾，更善于挖掘內部特征的相關信息。自注意力機制在推薦領域也被廣泛應用，例如王宏琳等人［21］在商品推薦中利用自注意力機制挖掘并學習異構信息網絡中的潛在信息進行推薦；劉浩翰等人［22］提出一種基于自注意力機制的組推薦方法，其利用自注意力機制來挖掘用戶與項目間的潛在信息，通過學習得到群組潛在偏好解決偏好融合的問題。

2 本文模型框架

在群組推薦中，群組決策具有動態性，而群組推薦是根據群組偏好決定的，群組偏好是利用組內成員偏好融合而來，群組內用戶偏好存在復雜的動態關系會影響群組推薦，因此本文提出了一種融合上下信息與自注意力機制的群組推薦算法。首先利用用戶的上下文信息通過自注意力機制自動學習群組中其他成員間的關系權重，挖掘群組成員間的動態關系；其次根據自注意力機制學習到的組矩陣取其均值嵌入得到群組偏好表示，根據群組的偏好表示將一個群組看成一個用戶來進行個性化推薦；最后利用貝葉斯個性化排序方法對進行群組推薦。

2.1 融合上下文信息與自注意力機制的群組推薦模型

針對群組推薦中組內成員群組成員間的偏好會彼此影響的問題，本文提出了一種融合上下信息與自注意力機制的群組推薦算法。首先為了更好地捕捉群組成員間的動態關系，利用自注意力機制自動學習群組內用戶的上下文信息與群組中其他成員間的關系權重；其次根據自注意力機制學習到的組矩陣取其均值嵌入得到群組偏好表示，然后將一個群組看做一個用戶，根據得到的群組表示可以作為單用戶來進行個性化推薦；最后利用貝葉斯個性化排序方法進行群組推薦。本文所提的融合上下文信息與自注意力機制的群組推薦模型（SACGR）的整體框架如圖3所示。SACGR模型主要有兩部分：a）根據群組中某一用戶的上下文信息通過自注意力機制來學習組內其他成員的動態關系，得到群組偏好表示；b）根據群組偏好表示利用BPR算法進行推薦。

第一部分是融合用戶信息與自注意力機制的學習成員間的關系，利用群組中用戶的上下文信息通過自注意力機制學習得到與其他成員的關系權重。每個用戶和上下文信息可以表示為編碼的嵌入向量，其中ui代表用戶級，ci代表用戶的ui上下文信息，Ui代表用戶級與用戶上下文信息構成的矩陣，Au，i代表通過自注意力機制訓練得到的群組矩陣。這里對第一個模塊進行分析，首先根據嵌入的上下文信息c1和用戶級u2，u3，…，un的向量表示，得到嵌入向量構成對應的矩陣U1；其次通過自注意力機制學習得到群組矩陣表示Au，1，其他模塊也是相同的操作，可以獲得n組矩陣表示Au，1，…，Au，n；最后借鑒文獻［23］中的做法，取其均值嵌入作為最終的群組向量表示gl，公式為

第二部分利用貝葉斯個性化排序（Bayesian personalized ranking，BPR）方法進行推薦，傳統的BPR是針對單用戶進行個性化推薦，因此需要把群組偏好看做用戶偏好，即把一個群組看做一個用戶，將第一部分得到的群組偏好看做一個用戶的偏好進行推薦。傳統BPR算法的目標函數為

兩部分總結為：根據群組中成員的上下文信息通過自注意力機制學習得到群組表示，根據群組表示當做群組特征，將群組特征和項目相乘表示為群組對項目的偏好評分，根據偏好評分的大小進行排序生成群組推薦列表。

3 實驗

為了驗證本文方法SACGR的有效性，將提出的模型在MovieLens-1M和CAMRa2011兩個數據集上進行實驗，并通過實驗結果進行分析驗證。

3.1 實驗數據集

針對群組推薦系統，數據集需要使用有群組信息的數據集，需要在真實公開的數據集的基礎上提取新的數據集，本文使用兩個數據進行實驗。其一是由GroupLens研究小組收集并創建的MovieLens-1M數據集，是在電影推薦中應用最廣泛的數據集，其中約有6 000個用戶和約4 000部電影，還有用戶對電影的評分信息（分值為1～5的整數）以及電影的屬性和標簽信息，經過處理，隨機分配生成了一個包含927個用戶、320個群組、1 563部電影的數據集。另一個是CAMRa2011真實數據集，來源于ACM推薦系統大賽，其中包括家庭和個人對電影評分的數據集，主要以家庭為群組單位的電影數據集，由于數據集包含許多噪聲數據，為了方便進行實驗，需要對數據集進行篩選，刪除對電影評分不足20個的用戶和不足20個用戶評價的電影，最終數據集包含有602個用戶、290 個家庭組對7 710 部電影交互評分信息（分值為0～100的整數）。兩個實驗數據集的統計如表1 所示。

3.2 評價指標

在實驗中，本文所使用的評價指標分別是命中率（hit ratio，HR） 和歸一化折扣累積增益（normalized discounted cumulative gain，NDCG）。根據實驗結果HR@和NDCG@的評價指標來評估top-N推薦任務的性能。

HR用來衡量推薦項目的命中率，測量了推薦的準確性，指標數值越大說明效果越好，其中NoH表示點積數量，TN表示測試項目集合，公式如下：

HR@N=NoH@NTN（10）

NDCG用來衡量列表的排序質量。其公式如下：

其中：Zk為歸一化系數，目的是將NDCG的值介于0～1；ri為處于位置i的推薦結果的相關程度，若命中ri等于1表明質量越高，否則為 0；N為top-N，表示推薦項目的個數。

3.3 對比算法

根據與基準算法比較來體現本文所提SACGR模型的性能，選擇了以下幾種模型進行對比：

a）NCF+AVG［24］。NCF均值策略模型，利用NCF模型預測用戶偏好得分，將群組中用戶得分取均值作為群組偏好得分。

b）NCF+LM。NCF最小痛苦策略模型，利用NCF模型預測偏好得分，將群組中用戶偏好最小得分作為群組偏好得分。

c）COM［25］。共識模型，依靠兩個假設進行群組建模，即群體的話題與個人偏好影響最終的群體決策和個人影響的話題相關性。

d）MoSAN［26］。基于注意力機制的群組推薦模型，利用注意力機制挖掘群組潛在向量進行推薦。

e）AGREE［27］。注意力集中的群組推薦模型，通過注意力神經網絡學習融合策略進行推薦。

3.4 實驗設置

本文實驗在Windows 10操作系統下進行，并將SACGR模型在Python 3.6、PyTorch 1.7環境下完成與基準算法的對比實驗。為了實驗順利進行，對數據集按照8：2的比例劃分訓練集、測試集，并且將模型學習輪數（epochs）設置為300，在訓練時若指標的數值在測試集上10輪內無明顯變化則訓練終止，其他基準算法的參數設置與原論文保持一致。SACGR模型的參數設置如表2所示。

針對top-N的推薦任務，將N設置為{5，10}。實驗目的是為待推薦用戶在測試集中推薦排名前N個項目，并使用評價指標HR@和NDCG@來評估模型的性能。

3.5 實驗結果分析

3.5.1 與基準算法比較分析

在實驗中，為了更好地分析SACGR模型與基準算法的評價指標結果，設置不同的top-N進行實驗，將N分別設置為{5，10}，并且將SACGR模型與基準模型分別在MovieLens-1M和CAMRa2011上進行實驗，得到評價指標HR@N和NDCG@N的結果如圖5、6所示。由圖可知，本文所提SACGR模型的實驗結果在兩個數據集上的表現均優于基準模型，說明了SACGR模型的有效性。

由圖5和6可知，當推薦個數為5和10時，本文所提SACGR模型在兩個數據集上的評價指標均優于各個基準模型，尤其與目前較先進的群組推薦模型AGREE進行比較，在兩個不同數據集上得到的實驗結果評價指標HR和NDCG均高于AGREE，充分證明了SACGR模型的有效性，提高了群組推薦的準確性。另外可以看出，NCF+AVG與NCF+LM模型實驗結果相對較低，這說明靜態融合策略很難為群組推薦更滿意的項目，也體現了動態學習用戶權重的重要性，而COM、MoSAN和AGREE模型雖然動態學習用戶的權重進行偏好融合，但是忽略了組內成員間的動態關系，沒有考慮成員之間偏好的相互影響，因此本文融合上下文信息與自注意力機制來捕捉群組成員間的動態關系，可以緩解成員偏好沖突，提高推薦結果的滿意度。

由圖5、6可知，各個基準算法實驗在CAMRa2011數據集上的表現優于MovieLens-1M數據集，可能與MovieLens-1M數據集的稀疏程度有關。因此為了更加精準地分析本文方法與基準算法的表現，將SACGR與基準模型在MovieLens-1M和CAMRa2011上進行top-N推薦，并且將N值設為{5，10}，得到實驗結果如表3、4所示。

由表3和4可知，SACGR模型與對比的基準模型在Movie-Lens-1M上的表現不如CAMRa2011數據集，由于MovieLens-1M數據集的稀疏性較高，由此可知數據稀疏程度會影響模型的推薦效果。對表3中數據分析，當推薦個數為5時，在MovieLens-1M數據集上SACGR模型相對于NCF+AVG、NCF+LM、COM、MoSAN在指標HR上分別提高了8.6%、8.8%、5.7%、3.9%，在指標NDCG上分別提高了7.2%、9.1%、5.9%、3.4%，與目前最先進的AGREE模型相比HR與NDCG分別提高了1.55%、1.05%；當推薦個數為10時，SACGR相對于NCF+AVG、NCF+LM、COM、MoSAN在指標HR上分別提高了6.5%、4.6%、1.84%、1.83%，在指標NDCG上分別提高了15.8%、14.4%、6.0%、2.8%，與目前最先進AGREE模型相比HR與NDCG分別提高了0.085%、1.4%。對表4中數據分析，當推薦個數為5時，在CAMRa2011數據集上SACGR模型相對于NCF+AVG、NCF+LM、COM、MoSAN在指標HR上分別提高了15.5%、14.5%、9.3%、4.1%，在指標NDCG上分別提高了6.4%、8.2%、4.8%、4.0%，與目前最先進AGREE模型相比HR與NDCG分別提高了0.75%、1.05%；當推薦個數為10時，SACGR相對于NCF+AVG、NCF+LM、COM、MoSAN在指標HR上分別提高了9.1%、14.1%、5.4%、3.7%，在指標NDCG上分別提高了5.2%、8.6%、4.4%、3.3%，與目前最先進AGREE模型相比HR與NDCG分別提高了1.7%、0.73%。

通過對表中的數據分析，本文所提SACGR模型在推薦的命中率HR和NDCG兩個指標上均高于基準算法，提高了群組推薦的準確性，對數據具體分析可知NCF+AVG與NCF+LM的實驗結果數據較低，主要是由于其只采用靜態融合策略對群組成員的偏好進行融合，沒有考慮成員之間的動態關系，所以很難得到高質量的推薦結果，而目前較為先進的COM、MoSAN和AGREE的實驗結果相對于使用靜態融合策略的效果較好，其采用動態學習的方法對群組成員偏好進行加權融合，可以提高推薦的準確性，但是沒有考慮成員之間的偏好影響問題，因此本文所提SACGR模型不僅采用了動態學習的方法對成員偏好進行融合，還利用了用戶的上下文信息通過自注意力機制學習群組內成員間的動態關系，可以提高群組推薦結果的滿意度。

3.5.2 自注意力機制實驗對比

本文算法SACGR利用自注意力機制來學習用戶之間的動態關系，而MoSAN模型則通過注意力模塊來挖掘群組中的潛在關系，為了驗證自注意力機制的高效性，當推薦個數N為10時，將兩個模型在MovieLens-1M進行實驗，實驗結果如圖7所示。

當推薦個數為10時，在MovieLens-1M數據集上經過20次迭代指標趨于穩定，本文方法SACGR在Movielens-1M數據集上的評價指標HR與NDCG均高于MoSAN，表明根據用戶上下文信息通過自注意力機制學習可以更有效地捕捉群組成員間的動態關系來解決群組內成員之間的偏好影響問題，可以得到更優的群組偏好表示，緩解了成員間的偏好沖突，提高了推薦結果的滿意度。

3.5.3 不同規模群組影響

為了研究群組推薦中群組規模對推薦結果的影響，將本文方法與基準算法在CAMRa2011數據集上進行實驗，當推薦個數為10時，將群組規模L分別設置為{3，5，10，15}，實驗結果如圖8所示。

由圖8可知，本文方法在不同群組數的情況下指標均優于基準算法，其中NCF+AVG、NCF+LM、COM、MoSAN算法在規模超過10時，推薦性能會受到影響，而AGREE與SACGR面對規模超過10的群組有較好的表現，可以適應群組數較大的群組，因此針對規模較大的群組推薦研究是值得探索的問題。

3.5.4 向量嵌入維數影響

本文所提方法SACGR是利用融合上下文信息與用戶嵌入向量構成矩陣通過自注意力機制學習，因此向量嵌入維度數會影響推薦模型的性能。為了研究向量嵌入維數對模型的影響，當推薦個數為10時，將向量嵌入維數k分別設置為{16，32，64，128}，并且在兩個數據集MovieLens-1M和CAMRa2011上進行實驗，其他參數值保持不變，SACGR在不同向量嵌入維數的HR與NDCG的實驗結果如圖9所示。

由圖9可知，當推薦個數為10時，在MovieLens-1M數據集上隨著向量嵌入維數的增加，SACGR模型的推薦性能逐漸升高，當向量嵌入維數為64時，推薦性能達到最優，如果向量維數繼續增加則推薦性能會降低，在CAMRa2011上的變化趨勢與之相同。綜上，當向量嵌入維數為k=64時，模型的推薦性能最佳。

4 結束語

本文針對群組推薦中存在組內成員偏好動態復雜性的問題，提出了融合上下信息與自注意力機制的群組推薦算法，利用用戶的上下文信息通過自注意力機制學習來捕捉群組中成員的動態關系，緩解了組內成員的偏好沖突，并利用貝葉斯個性化排序方法對群組進行推薦，不僅解決了組內成員動態復雜性的問題，還利用了針對單用戶的推薦算法，將一個群組看成一個用戶來進行推薦，提高了推薦的結果滿意度。通過對實驗結果分析可知，本文算法優于基準算法，可以得到更優的群組推薦結果。

本文算法并未考慮到用戶、項目的固有屬性特征信息，在未來的研究中，可以將用戶、項目屬性的多樣化信息引入推薦算法中來提高群組推薦結果的滿意度。

參考文獻：

［1］黃際洲，孫雅銘，王海峰，等.面向搜索引擎的實體推薦綜述［J］.計算機學報，2019，42（7）：1467-1494.（Huang Jizhou，Sun Yaming，Wang Haifeng，et al.A survey of entity recommendation in Web search［J］.Chinese Journal of Computers，2019，42（7）：1467-1494.）

［2］Movaghar A.Centrality-based group formation in group recommender systems［C］//Proc of International Conference on World Wide Web Companion.［S.l.］：International World Wide Web Conferences Steering Committee.2017.

［3］Fu Chao，Yang J B，Yang S L.A group evidential reasoning approach based on expert reliability［J］.European Journal of Operational Research，2015，246（3）：886-893.

［4］Agarwal A，Chakraborty M.Does order matter？ Effect of order in group recommendation［J］.Expert Systems with Applications，2017，82：115-127.

［5］Dery L N，Kalech M，Rokach L，et al.Iterative voting under uncertainty for group recommender systems［C］//Proc of the 4th ACM Conference on Recommender Systems.New York：ACM Press，2010：265-268.

［6］Masthoff J.Group recommender systems：combining individual models［M］//Recommender Systems Handbook.Boston：Springer，2011：677-702.

［7］De Pessemier T，Dooms S，Martens L.Comparison of group recommendation algorithm［J］.Multimedia Tools and Applications，2014，72（3）：2497-2541.

［8］Wu Yunchang，Liu Baisong，Wang Yangyang，et al.Group recommendation analysis and research review［J］.Telecommunications Science，2018，34（12）：71-83.

［9］胡川，孟祥武，張玉潔，等.一種改進的偏好融合組推薦方法［J］.軟件學報，2018，29（10）：3164-3183.（Hu Chuan，Meng Xiangwu，Zhang Yujie，et al.An improved preference fusion group recommendation method［J］.Journal of Software，2018，29（10）：3164-3183.）

［10］石磊，王毅，成穎，等.自然語言處理中的注意力機制研究綜述［J］.數據分析與知識發現，2020，4（5）：1-14.（Shi Lei，Wang Yi，Cheng Ying，et al.A survey of research-on attention mechanism in na-tural language processing［J］.Data Analysis and Knowledge Discovery，2020，4（5）：1-14.）

［11］Zhang Yujie，Du Yulu，Meng Xiangwu.Research on-group recommender systems and their applications［J］.Chinese Journal of Compu-ters，2016，39（4）：745-764.

［12］Dyer J S，Sarin R K.Group preference aggregation rules based on strength of preference［J］.Management Science，1979，25（9）：822-832.

［13］Mao Yujia，Liu Xuejun，Xu Xinyan，et al.Method based on subgroup and social behavior for narrowing recommended list for groups［J］.Computer Science，2019，46（2）：202-209.

［14］Xuan Pengcheng，Tang Yan，Wang Wangsong.Group recommendation method based on item type proportion factor［C］//Proc of IEEE/ACM International Conference on Utility and Cloud Computing Companion.Piscataway，NJ：IEEE Press，2018：376-381.

［15］Roy S B，Amer-Yahia S，Chawla A，et al.Space efficiency in group recommendation［J］.The VLDB Journal，2010，19（6）：877-900.

［16］Liu Xingjie，Tian Yuan，Ye Mao，et al.Exploring personal impact for group recommendation［C］//Proc of the 21st ACM International Conference on Information and Knowledge Management.New York ：ACM Press，2012：674-683.

［17］Campos L M，Fernández-Luna J M，Huete J F，et al.Managing uncertainty in group recommending processes［J］.User Modeling and User-Adapted Interaction，2009，19（3）：207-242.

［18］Zhang Qi，Wang Jiawen，Huang Haoran，et al.Hashtag recommendation for multimodal microblog using co-attention network［C］//Proc of the 26th International Joint Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2017：3420-3426.

［19］Wang Xuejian，Yu Lantao，Ren Kan，et al.Dynamic attention deep-model for article recommendation by learning human editors’demonstration［C］//Proc of the 23rd ACM SIGKDD-International Confe-rence on Knowledge Discovery amp; Data Mining.New York：ACM Press，2017：2051-2059.

［20］Vinh T，Pham T，Cong Gao，et al.Attention-based group-recommendation［EB/OL］.（2018-04-12）.https：//arxiv.org/abs/1804.04327v2.

［21］王宏琳，楊丹，聶鐵錚，等.基于自注意力機制的屬性異構信息網絡嵌入的商品推薦［J］.計算機研究與發展，2022，59（7）：1509-1521.（Wang Honglin，Yang Dan，Nie Tiezheng，et al.Attributed heterogeneous information network embedding with self-attention mechanism for product recommendation［J］.Journal of Computer Research and Development，2022，59（7）：1509-1521.）

［22］劉浩翰，任洪潤，賀懷清.一種基于自注意力機制的組推薦方法［J］.計算機應用研究，2020，37（12）：3572-3577.（Liu Haohan，Ren Hongrun，He Huaiqing.Group recommendation method based on self-attention mechanism［J］.Application Research of Computers，2020，37（12）：3572-3577.）

［23］Zhang Shuai，Tay Y，Yao Lina，et al.Next item recommendation with self-attentive metric learning［C］//Proc of the 33rd AAAI Conference on Artificial Intelligence.2019.

［24］Amer-Yahia S，Roy S B，Chawlat A，et al.Group recommendation：semantics and efficiency［J］.Proceedings of the VLDB Endowment，2009，2（1）：754-765.

［25］Yuan Quan，Gao Gao，Lin C Y.COM：a generative model for group recommendation［C］//Proc of the 20th ACM SIGKDD Inter-national Conference on Knowledge Discovery and Data-Mining.New York：ACM Press，2014：163-172.

［26］Tran L V，Pham T A N，Tay Y，et al.Interact and decide：medley of sub-attention networks for effective group recommendation［C］//Proc of the 42nd International ACM SIGIR Conference on Research and Development in Information-Retrieval.New York：ACM Press，2019：255-264.

［27］He Xiangnan，Liao Lizi，Zhang Hanwang，et al.Neural collaborative filtering［C］//Proc of the 26th International Conference on World Wide Web.［S.l.］ ：International World Wide Web-Conferences Steering Committee，2017：173-182.

收稿日期：2022-05-21；修回日期：2022-07-18 基金項目：國家自然科學基金資助項目（61802107）；教育部—中國移動科研基金資助項目（MCM20170204）；河北省高等學校科學技術研究項目（ZD2020171）；江蘇省博士后科研資助計劃資助項目（1601085C）

作者簡介：張闖（1998-），男，河北承德人，碩士研究生，主要研究方向為知識圖譜、推薦系統；王巍（1983-），男（通信作者），河北邯鄲人，教授，碩導，博士，主要研究方向為隱式人機交互、公共安全物聯網（wangwei83@hebeu.edu.cn）；杜雨晅（1998-），男，河北涿州人，碩士研究生，主要研究方向為圖神經網絡、推薦系統；鄭小麗（1996-），女，山西朔州人，碩士研究生，主要研究方向為序列推薦、推薦系統．