基于因果推断的公平性群组推荐模型研究.pdfVIP

目录

摘要I

AbstractIII

第一章绪论1

1.1研究背景和意义1

1.2国内外研究现状3

1.2.1群组推荐算法3

1.2.2基于因果推断的推荐算法4

1.2.3推荐算法中的公平性4

1.2.4融合社交信息的群组推荐5

1.3论文主要研究内容5

1.4论文组织结构6

第二章相关理论及方法介绍7

2.1群组推荐方法7

2.1.1基于记忆的群组推荐方法8

2.1.2基于模型的群组推荐方法9

2.2因果推断理论基础10

2.3注意力机制11

2.4本章小结15

第三章基于因果注意力的群组推荐16

3.1问题定义16

3.2模型整体结构16

3.2.1潜在结果框架下的群组推荐17

3.2.2组表示学习18

3.2.3基于因果推断的组表示学习19

3.3实验与分析20

3.3.1研究问题20

3.3.2数据集20

3.3.3参数设置21

3.3.4对比方法介绍21

3.3.5对比实验22

3.3.6消融试验23

3.3.7距离函数试验24

3.3.8参数实验25

3.4本章小结26

第四章融合社交信息的公平性群组推荐27

4.1问题定义27

4.2模型整体结构27

4.2.1融合社交信息的组表示学习28

4.2.2群组导向的公平性定义30

4.2.3公平感知算法31

4.3实验与分析32

4.3.1研究问题32

4.3.2数据集32

4.3.3参数设置33

4.3.4对比试验33

4.3.5消融实验34

4.3.6参数实验35

4.4本章小结36

第五章总结与展望37

5.1本文工作总结37

5.2工作展望38

参考文献39

攻读硕士期间的研究成果47

致谢48

摘要

随着社交网络的盛行，参加群体活动的人们越来越多，这导致群组推荐成为了一个

备受关注的研究领域。与单个用户的决策相比，群体的决策更为复杂，因为每个成员都

可能对最终的决策产生影响，而且，这个过程通常是动态的。因此，如何准确地聚合群

组成员的偏好以推测群组的决策成为群体推荐的核心问题。

目前，各种深度学习方法被应用于群组推荐问题。其中，基于注意力机制的方法通

过区分不同成员的重要性，来动态聚合群组成员偏好，这大幅提高了群组推荐性能。然

而，注意力机制方法无法避免潜在混杂因素带来的负面影响，通过学习得到的组成员与

项目之间的相关性无法准确反映出组成员对群组推荐结果的影响，即虚假相关性，这影

响了群组偏好学习的准确性，进而导致推荐性能欠佳。另外，推荐系统作为一种高度数

据驱动的应用程序，可能会受到数据偏差的影响，导致不同数据群体之间结果的不公平

性，从而影响系统的整体性能。具体而言，在系统中，活跃组（优势群组）在推荐质量

上比不活跃组（弱势群组）享有更高的优势，这种偏差会影响到整体性能，因为弱势群

组占据大多数。因此，解决群组推荐场景中的不公平问题至关重要。另外，用户的社交

信