基于知识感知的群体共性建模在群组推荐系统中的应用研究

针对群组推荐(GR)中数据稀疏性和共性建模不足的问题，研究人员提出ComRec模型，通过构建群体协作知识图谱(G-CKG)捕捉细粒度群体共性，结合正交约束和注意力机制优化推荐效果。实验表明该模型在Yelp和MovieLens-20M数据集上显著提升Recall和NDCG指标，为GR系统提供了可解释性解决方案。

　　

在数字化社交时代，人们频繁参与聚餐、观影等群体活动，但传统推荐系统难以应对群体决策的复杂性。现有群组推荐(Group Recommendation, GR)方法面临两大困境：一是依赖个体偏好聚合（如AGREE模型的注意力机制）易受数据稀疏性影响；二是基于成员重叠的共性建模（如Wu等学者的方法）在无共享用户时失效。这种局限性促使研究者探索更精细的共性挖掘方式。

中国研究团队在《Expert Systems with Applications》发表的研究提出ComRec模型，创新性地将知识图谱(KG)引入GR领域。通过构建群体协作知识图谱(G-CKG)整合成员-项目交互、成员关系和项目知识，该模型实现了三方面突破：首先利用多跳关系路径捕捉细粒度共性；其次通过正交约束确保信号独立性；最后设计共性注意力机制动态聚合群体表征。实验证明其在Yelp和MovieLens-20M数据集上的NDCG@10提升达12.7%，同时揭示了"空间宽敞度"等可解释的决策因子。

关键技术包括：1) G-CKG构建（融合用户交互与项目属性三元组）；2) 多跳图神经网络信息传播；3) 带正交约束的关系表示融合；4) 共性注意力机制设计；5) 用户差异微调模块。

【Knowledge Graph-based Information Aggregation】
通过G-CKG将餐厅属性（如<餐厅, is, spacious>）编码为三元组，使用图神经网络提取高阶关系。相比Deng等仅用KG辅助数据增强的方法，该模块支持跨群体语义关联挖掘。

【Group-based Commonality Modeling】
融合多关系表示时施加正交约束，使"交通便利"与"空间宽敞"等共性因子互不干扰。注意力机制量化成员贡献度，解决HyperGraph等模型忽视群体结构的问题。

【Experiments】
在MovieLens-20M上的消融实验显示，移除正交约束会使Recall@20下降4.3%，证实独立性约束的必要性。跨模型迁移实验证明共性注意力机制可使基线模型性能提升9.2%。

结论部分强调，ComRec首次实现从项目侧（而非用户重叠）建模群体共性，突破传统GR的稀疏性瓶颈。通过G-CKG的语义推理能力，模型发现群体选择餐厅时"空间需求"的权重是观影场景的2.1倍，为社交行为分析提供新视角。研究获得国家自然科学基金支持，其共性建模框架可扩展至会议组织等多元场景。

讨论指出，未来可结合时空特征（如S²
-HHGR的时空超图）增强动态共性捕捉。该成果不仅推动GR从"黑箱聚合"向可解释决策迈进，也为知识感知推荐系统开辟新路径。