基于信息增益的扩散模型在群组推荐中的应用

《Engineering Applications of Artificial Intelligence》:Information gain-based diffusion model for group recommendation

【字体: 大 中 小 】 时间:2026年05月05日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  穆丽金|王楠|刘瑞|刘子祺 黑龙江大学计算与大数据学院,哈尔滨150080,中国 摘要 随着社交网络及其技术的快速发展,群体推荐系统受到了越来越多的关注。然而,传统的基于深度学习的群体推荐方法仍然面临两个关键挑战:对噪声的敏感性,以及用户与项目之间稀疏的互动,这阻碍

  穆丽金|王楠|刘瑞|刘子祺
黑龙江大学计算与大数据学院,哈尔滨150080,中国

摘要
随着社交网络及其技术的快速发展,群体推荐系统受到了越来越多的关注。然而,传统的基于深度学习的群体推荐方法仍然面临两个关键挑战:对噪声的敏感性,以及用户与项目之间稀疏的互动,这阻碍了准确的偏好建模。为了解决这些问题,我们提出了一种基于信息增益驱动的扩散的群体推荐模型。从人工智能的角度来看,我们的贡献在于对人工智能技术的工程化适应与改进:我们设计了一个自迭代扩散去噪模块来抑制表示学习中的噪声,并提出了一种基于信息增益的自适应边缘熵算法,以指导在稀疏互动下的图谱增强。这些模块展示了如何结构化地调整扩散模型和熵原理来解决实际的推荐挑战。从工程应用的角度来看,我们进一步构建了一个基于词频-逆文档频率(TF-IDF)的加权群体图,以捕捉群体间的相似性,并提出了一种多视图融合策略来全面建模群体偏好。在真实世界公共数据集上的广泛实验表明,所提出的方法有效地增强了去噪能力,并显著提高了群体推荐的准确性,在社交平台和推荐服务等场景中展现了强大的实用价值。

引言
在线社交群体面临着与个人用户相同的信息公开过载问题。为了解决这一挑战,群体推荐系统应运而生(Cao et al., 2018, Sankar et al., 2020)。与传统推荐不同,群体推荐系统旨在为整个用户群体生成感兴趣的项目,通常是通过聚合群体内多个成员的表示来生成集体偏好表示。以往的聚合方法只能平均或最大化成员的贡献,无法动态调整群体中每个成员的不同贡献,导致性能不佳(Boratto and Carta, 2011, Amer-Yahia et al., 2009, Baltrunas et al., 2010)。

为了解决这一限制,许多研究者提出了基于注意力机制的方法,以适应性地学习每个成员对整体决策的影响(Cao et al., 2018)。近年来,基于图神经网络的方法也被用于群体推荐中,以从不同视角获取丰富的群体偏好表示(Sankar et al., 2020)。此外,还有一些研究通过考虑用户间的社会关系对群体决策的影响来提高群体推荐性能(Guo et al., 2020, Yin et al., 2019)。尽管上述群体推荐方法取得了进展,但仍然存在以下问题:
(1)传统的群体推荐通常会遇到各种噪声效应。例如,用户可能因误操作而点击错误或误加入无关的群体(图1左);社交网络垃圾信息为了获取大量网页流量,会诱导其他用户访问各种虚假的群体链接(图1右)。这些噪声会干扰推荐系统准确识别用户真实需求和兴趣的能力,从而影响推荐结果的质量。因此,如何设计出健壮的群体建模机制,以有效减少噪声用户的负面影响,同时保持用户多样性和群体开放性?
(2)群体成员与项目之间的互动很少,数据稀疏(Sankar et al., 2020),这使得在聚合群体偏好时难以捕捉每个成员的个体偏好。现有的方法试图设计跨视图对比学习方法(Nan Wang et al., 2024),在一定程度上缓解了数据稀疏问题,但其有效性往往受到互动数据质量和数量的限制。因此,如何在这种背景下准确挖掘成员的真实偏好以提高群体决策的准确性仍是一个紧迫的问题。

为了解决第一个问题,虽然直接从群体中移除噪声用户可以减少干扰,但容易丢失潜在的偏好信息并降低群体多样性的表示。受到扩散模型在推荐系统中去噪思想的启发(Ma et al., 2024),它能够通过在潜在空间中传播信息来捕捉用户之间的潜在相关性,并通过邻域信息的平滑效应减少噪声对最终偏好表示的影响。因此,我们设计了一种自迭代的扩散去噪方法,在潜在空间中逐步过滤掉噪声用户,从而提高用户偏好表示的准确性,大大提升了群体推荐性能。为了解决第二个问题,我们引入用户间的社会关系作为额外信息来丰富用户嵌入表示。我们提出了一种基于信息增益的自适应边缘熵算法,利用熵来衡量用户行为的多样性,并动态地为高熵用户生成潜在边,以增强社交图结构。鉴于高熵用户的行为分布广泛且相似用户较少,获得新的社会联系可以弥补它们互动不足的问题,从而增强群体推荐的鲁棒性和表现力。此外,为了建模群体推荐中的复杂关系结构,本文设计了多种图结构来学习高阶互动,提出了一种超图来捕捉群体、用户和项目之间的高阶关联,并开发了一种TF-IDF策略来加权群体并挖掘不同群体之间的潜在相关性。本文的主要贡献包括:
• 提出了一种基于信息增益的群体推荐扩散模型(DiffGRec)。结合去噪模块来过滤群体噪声并生成准确的群体偏好表示,引入了信息熵增强模块来挖掘用户间的潜在关系并捕捉个性化偏好。
• 设计了一种有效的信息熵增强模块,用于重建原始的用户-项目互动图。进一步提出了基于信息增益的自适应边缘熵算法,利用高熵用户补充潜在连接,从而动态生成新边,有效缓解用户-项目互动稀疏问题。
• 设计了一种自迭代扩散去噪模块,通过前向和后向扩散过程逐步训练去噪器。可以强烈过滤掉嵌入表示中的噪声,从而更准确地建模用户的真实偏好。
• 构建了多视图来有效学习群体-用户-项目之间的复杂关系,并设计了TF-IDF方法来捕捉群体间的相似性,从而构建群体间的加权图。
• 在各种数据集上进行了广泛的实验来验证DiffGRec,结果表明在推荐效果和去噪性能上都有显著提升。

**章节片段**
群体推荐
群体推荐的一个核心挑战在于通过建模群体-项目、用户-项目和群体-成员的互动来学习高质量的代表。传统方法使用预定义的聚合策略来推导群体偏好(Boratto and Carta, 2011, Amer-Yahia et al., 2009, Baltrunas et al., 2010)。由于这些方法无法灵活调整用户权重,一些方法通过可学习的方法调整群体成员之间的影响权重。

**符号和问题定义**
我们定义了三个集合:用户集U={u1, u2, …, uM},项目集I={i1, i2, …, iN},以及群体集G={g1, g2, …, gK},其中M、N和K分别表示用户、项目和群体的数量。第k个群体gk∈G包含一组用户成员Gk={u1, u2, …, us, …, u|Gk|},其中us∈U,|Gk|是Gk的大小。群体gk和用户us的互动历史分别定义为Yk ={i1g, i2g, …, ijg, …, i|Yt|g}和Rs ={i1u, i2u, …, iju, …, i|Rs|u},其中|Yk|和|Rs|表示它们的大小。

**方法论**
在本节中,我们重点介绍了一种基于信息增益的群体推荐扩散模型。总体架构由两个关键组件组成:基于扩散模型的熵增强学习和多图群体表示融合与预测。如图2所示,具体细节已详细展示。

**实验**
在本节中,我们通过全面的实验评估了所提出的DiffGRec模型的有效性。

**结论**
在本文中,我们提出了一种基于信息增益的群体推荐扩散模型(DiffGRec)。首先,我们通过用户-项目互动矩阵构建初始社交图,然后通过信息熵增强模块为高熵用户添加边,并提出了一种基于信息增益的自适应边缘熵算法,可以动态生成新边。其次,我们设计了一种基于扩散的去噪学习模块,以有效……

**作者贡献声明**
穆丽金:撰写 – 原稿撰写、验证、资源管理、方法论制定、调查、形式分析、数据管理、概念化。
王楠:撰写 – 审稿与编辑、监督、方法论制定。
刘瑞:调查、形式分析。
刘子祺:验证、软件管理、资源管理、数据管理。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

**致谢**
本工作得到了中国黑龙江省自然科学基金(项目编号PL2025F033)和黑龙江省高校基础研究青年人才计划(项目编号YQJH2025194)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号