Group Recommendation Systems With Pairwise Preference Data

Sammendrag

Bakgrunn og Motivasjon: Gruppeanbefalingssystemer (GRS) er utviklet for å finne ut hva en gruppe mennesker liker og til å foreslå ting de vil ha glede av sammen. Disse systemene har som mål å matche de kombinerte preferansene til alle i gruppen. GRS er nyttig for sosiale aktiviteter som å se på film, spise ute og planlegge turer, hvor beslutninger gi et best mulig resultat for flere med ulike preferanser. Den største utfordringen er å kombinere de ulike preferansene til én anbefaling som gjør alle fornøyde. Denne forskningen fokuserer på å forstå hvordan grupper tar beslutninger og å utvikle algoritmer som nøyaktig kan forutsi hva en gruppe vil sette pris på. Å lykkes med å løse denne utfordringen kan gjøre gruppeaktiviteter mer hyggelige og harmoniske.

Målsetninger: Hovedmålet med denne forskningen er å foreslå nye metoder for gruppeanbefalinger som er rettferdige og presise. For å oppnå dette målet er seks forskningsspørsmål (RQs) formulert: [RQ1] Hvordan kan bruk av parvise preferansedata løse begrensningene ved enkeltratingsdata for å øke effektiviteten til GRS? [RQ2] Hvordan bidrar klynging av brukere basert på lignende preferanser til å forbedre rettferdigheten i anbefalingssystemer? [RQ3] Hvordan kan prediksjon av manglende data i parvise preferansedatasett effektivt håndtere kaldstartproblemet i GDM og GRS? [RQ4] Hvordan kan vi utvikle modeller for å bedre forstå og inkorporere påvirkningene blant medlemmers preferanser, og dermed forbedre gruppeanbefalinger? [RQ5] Hvordan kan utnyttelse av mangfoldige likhetsegenskaper hos brukere overkomme begrensningene til tradisjonelle gruppeanbefalingssystemer for å forbedre anbefalingsnøyaktigheten? [RQ6] Hvordan kan aggregasjons- og konsensusmekanismer forbedre gruppeanbefalingssystemer?

Metoder: Denne forskningen foreslo og anvendte metodologier som kan klassifiseres i tre hovedkategorier: Først benyttet vi parvise preferansedata og forutså manglende verdier. For det andre utforsket vi brukergruppering gjennom introduksjon av klyngingsteknikker som GcPp, MFP-basert mangfoldsklynging og GCN-basert mangfoldsklynging. I denne sammenhengen undersøkte vi forskjellige metoder for å beregne brukersimilaritet, hvorav noen ble foreslått for første gang. For det tredjeutviklet vi konsensus- eller aggregeringsmetoder som kombinerer individuelle brukerpreferanser for å danne en helhetlig gruppepreferanseprofil, som er essensielt for å konstruere gruppeanbefalingsmodellen.

Bidrag: Hovedbidragene fra denne studien inkluderer:

• Introduksjon av en entropibasert matrisefaktoriseringsteknikk for å forutsi manglende verdier i parvise preferansedatasett, som har bred anvendelse i gruppeanbefalingssystemer og gruppedynamikk.

• Forslag til flere metoder for å forutsi brukersimilaritet ved bruk av parvise preferansedata, som viser høyere nøyaktighet sammenlignet med enkeltratingsdata.

Disse similaritetsscorene ble beregnet ved hjelp av ulike metoder:

1. Brukersimilaritet basert på preferansegraf og grafkonvolusjonsnettverk (GCN).

2. Brukersimilaritet basert på brukervektorer hentet fra: a) Bruker-itemscores oppnådd fra matrisefaktorisering (MF). b) Brukerinnleiringsvektorer fra en trent matrisefaktoreringsmodell. c) Brukerinnleiringsvektorer fra vektene til et trent grafnevralnettverk.

• Utvikling av klyngemetoder for å gruppere brukere med lignende preferanser for å fasilitere generering av rettferdige gruppeanbefalinger, som:

1. Dominant set klynging.

2. Mangfoldsbasert klynging, som minimerer brukermangfoldsscorer innenfor grupper.

• Introduksjon av en konsensusmetode basert på brukerpersonligheter, som reflekterer virkelige scenarioer hvor brukerens bidrag til gruppebeslutninger avhenger av deres personlighetstrekk.

• Utvikling av aggregeringsmetoder som tar hensyn til bidragene fra individuelle brukere i den endelige gruppedynamikken. Disse bidragene beregnes ved hjelp av konsepter som Shapley-verdi og Wonderful Life Utility.