基于新奇度量的社交事件推荐方法

doi:10.11772/j.issn.1001-9081.2023030362

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (3): 760-766.DOI: 10.11772/j.issn.1001-9081.2023030362

基于新奇度量的社交事件推荐方法

孙滔¹^,², 段张甜³, 朱浩楠⁴, 郭沛豪⁵, 孙鹤立⁵()

^1.西安交通大学计算机科学与技术学院, 西安 710049
^2.陕西省科学技术情报研究院, 西安 710054
^3.中国航空工业集团有限公司西安航空计算技术研究所, 西安 710076
^4.西安交通大学软件学院, 西安 710049
^5.西安交通大学新闻与新媒体学院, 西安 710049

收稿日期:2023-04-06 修回日期:2023-05-29 接受日期:2023-05-31 发布日期:2023-10-23 出版日期:2024-03-10
通讯作者: 孙鹤立
作者简介:孙滔（1977—），男，陕西西安人，高级工程师，硕士研究生，主要研究方向：推荐系统、数据分析
段张甜（1997—），女，陕西西安人，硕士，主要研究方向：数据挖掘、推荐系统
朱浩楠（1998—），男，陕西榆林人，硕士研究生，主要研究方向：推荐系统、机器学习
郭沛豪（1999—），男，山东威海人，硕士研究生，主要研究方向：社交网络、新媒体；
基金资助:
国家自然科学基金资助项目(62072365);传播内容认知国家重点实验室项目(A02105)

Social event recommendation method based on unexpectedness metric

Tao SUN¹^,², Zhangtian DUAN³, Haonan ZHU⁴, Peihao GUO⁵, Heli SUN⁵()

^1.School of Computer Science and Technology，Xi’an Jiaotong University，Xi’an Shaanxi 710049，China
^2.Shaanxi Institute of Science and Technology Information，Xi’an Shaanxi 710054，China
^3.Xi’an Aeronautics Computing Technique Research Institute，Aviation Industry Corporation of China，Limited，Xi’an Shaanxi 710076，China
^4.School of Software Engineering，Xi’an Jiaotong University，Xi’an Shaanxi 710049，China
^5.School of Journalism and New Media，Xi’an Jiaotong University，Xi’an Shaanxi 710049，China

Received:2023-04-06 Revised:2023-05-29 Accepted:2023-05-31 Online:2023-10-23 Published:2024-03-10
Contact: Heli SUN
About author:SUN Tao， born in 1977， M. S. candidate， senior engineer. His research interests include recommendation system， data analysis.
DUAN Zhangtian， born in 1997， M. S. Her research interests include data mining， recommendation system.
ZHU Haonan， born in 1998， M. S. candidate. His research interests include recommendation system， machine learning.
GUO Peihao， born in 1999， M. S. candidate. His research interests include social network， new media.
Supported by:
National Natural Science Foundation of China(62072365);Foundation of State Key Laboratory of Communication Content Cognition(A02105)

摘要/Abstract

摘要：

在社交事件网络（EBSN）中，推荐工作都是从用户的历史喜好出发建模用户偏好，阻碍了用户接触新事物的范围和途径。针对上述问题，提出基于新奇度量的社交事件推荐模型UER（Unexpectedness-based Event Recommendation）。UER模型包括Base和Unexpected两个子模型，首先，Base子模型基于用户、事件以及用户历史事件交互序列特征，通过注意力机制衡量事件在用户历史喜好中的权重，最终预测用户参加事件的概率；其次，Unexpected子模型通过自注意力机制提取用户的多个兴趣表示来计算用户自身新奇度和候选事件对用户的新奇值，从而衡量推荐事件的新奇程度。在Meetup-加州数据集上，UER模型相较于DIN（Deep Interest Network）和PURS（Personalized Unexpected Recommender System）的推荐命中率（HR）分别提高22.9%和30.3%，归一化折损累积收益（NDCG）分别提高27.5%和42.3%，推荐事件的新奇程度分别提高54.5%和21.4%；在Meetup-纽约数据集上，UER模型相较于DIN和PURS的HR分别提高18.2%和21.8%，NDCG分别提高26.9%和32.0%，推荐事件的新奇程度分别提高52.6%和20.8%。

Abstract:

In Event-Based Social Network （EBSN）， the recommendation work starts from the user historical preferences to model user preferences， which hinders the scope and ways for users to access new things. Aiming at the above problems， an unexpectedness metric-based social event recommendation model was proposed， namely UER（Unexpectedness-based Event Recommendation）. UER model included two sub-models， Base and Unexpected. Firstly， based on the interaction sequence characteristics of users， events， and user historical events， the Base sub-model used the attention mechanism to measure the weights of events in user historical preferences， and finally predicted the probabilities of users participating in events. Secondly， multiple interest representations of the user were extracted by Unexpected sub-model through the self-attention mechanism to calculate the unexpectedness of the user itself and the unexpectedness value of the candidate event to the user according to the multiple interest representations of the user， so as to measure the unexpectedness of the recommended event. Experimental results on Meetup-California dataset show that compared with Deep Interest Network （DIN） and Personalized Unexpected Recommender System （PURS）， the recommendation Hit Ratio （HR） of the UER model is increased by 22.9% and 30.3%， the Normalized Discounted Cumulative Gain （NDCG） is increased by 27.5% and 42.3%， and the unexpectedness of recommended events is increased by 54.5% and 21.4% respectively. On Meetup-NewYork dataset， the recommendation HR of the UER model is increased by 18.2% and 21.8%， the NDCG is increased by 26.9% and 32.0%， and the unexpectedness of recommended events is increased by 52.6% and 20.8% respectively.

Key words: Event-Based Social Network (EBSN), event recommendation? Heterogeneous Information Network (HIN), attention mechanism, interaction sequence

中图分类号:

TP183

孙滔, 段张甜, 朱浩楠, 郭沛豪, 孙鹤立. 基于新奇度量的社交事件推荐方法[J]. 计算机应用, 2024, 44(3): 760-766.

Tao SUN, Zhangtian DUAN, Haonan ZHU, Peihao GUO, Heli SUN. Social event recommendation method based on unexpectedness metric[J]. Journal of Computer Applications, 2024, 44(3): 760-766.

图/表 5

参考文献 16

1	MURAKAMI T， MORI K， ORIHARA R. Metrics for evaluating the serendipity of recommendation lists ［C］// Proceedings of the 2007 Conference and Workshops on New Frontiers in Artificial Intelligence. Berlin： Springer， 2008： 40-46. 10.1007/978-3-540-78197-4_5
2	GE M， DELGADO-BATTENFELD C， JANNACH D. Beyond accuracy： evaluating recommender systems by coverage and serendipity ［C］// Proceedings of the 4th ACM Conference on Recommender Systems. New York： ACM， 2010： 257-260. 10.1145/1864708.1864761
3	CHEN L， YANG Y， WANG N， et al. How serendipity improves user satisfaction with recommendations？ A large-scale user evaluation ［C］// Proceedings of the 2019 World Wide Web Conference. New York： ACM， 2019： 240-250. 10.1145/3308558.3313469
4	McNEE S M， RIEDL J， KONSTAN J A. Being accurate is not enough： how accuracy metrics have hurt recommender systems ［C］// Proceedings of the 2006 CHI’06 Extended Abstracts on Human Factors in Computing Systems. New York： ACM， 2006： 1097-1101. 10.1145/1125451.1125659
5	C-N ZIEGLER， McNEE S M， KONSTAN J A， et al. Improving recommendation lists through topic diversification ［C］// Proceedings of the 14th International Conference on World Wide Web. New York： ACM， 2005： 22-32. 10.1145/1060745.1060754
6	JALILI M， AHMADIAN S， IZADI M， et al. Evaluating collaborative filtering recommender algorithms： a survey ［J］. IEEE Access， 2018， 6： 74003-74024. 10.1109/access.2018.2883742
7	ADAMOPOULOS P， TUZHILIN A. On unexpectedness in recommender systems： or how to better expect the unexpected ［J］. ACM Transactions on Intelligent Systems and Technology， 2014， 5（4）： 54. 10.1145/2559952
8	MACEDO A Q， MARINHO L B， SANTOS R R L T. Context-aware event recommendation in event-based social networks ［C］// Proceedings of the 9th ACM Conference on Recommender Systems. New York： ACM， 2015： 123-130. 10.1145/2792838.2800187
9	CHEN L， ZHANG G， ZHOU H. Fast greedy MAP inference for determinantal point process to improve recommendation diversity［C］// Proceedings of the 32nd International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2018： 5627-5638.
10	GARTRELL M， PAQUET U， KOENIGSTEIN N. Low-rank factorization of determinantal point processes ［C］// Proceedings of the 31st AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2017： 1912-1918. 10.1609/aaai.v31i1.10869
11	LI P， TUZHILIN A. Latent unexpected recommendations ［J］. ACM Transactions on Intelligent Systems and Technology， 2020， 11（6）： 70. 10.1145/3404855
12	LI P， QUE M， JIANG Z， et al. PURS： personalized unexpected recommender system for improving user satisfaction ［C］// Proceedings of the 14th ACM Conference on Recommender Systems. New York： ACM， 2020： 279-288. 10.1145/3383313.3412238
13	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
14	孙鹤立，徐统，何亮，等. 融合用户历史行为与社交关系的个性化社交事件推荐方法［J］. 计算机应用， 2021， 41（2）： 324-329.
	SUN H L， XU T， HE L， et al. Personalized social event recommendation method integrating user historical behaviors and social relationships ［J］. Journal of Computer Applications， 2021， 41（2）： 324-329.
15	CEN Y， ZHANG J， ZOU X， et al. Controllable multi-interest framework for recommendation ［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York： ACM， 2020： 2942-2951. 10.1145/3394486.3403344
16	ZHOU G， ZHU X， SONG C， et al. Deep interest network for click-through rate prediction ［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York： ACM， 2018： 1059-1068. 10.1145/3219819.3219823

数据集	用户数	事件数	密度/%
Meetup-纽约	183 553	127 741	0.041 2
Meetup-加州	120 001	83 604	0.084 5

数据集	用户数	事件数	密度/%
Meetup-纽约	183 553	127 741	0.041 2
Meetup-加州	120 001	83 604	0.084 5

数据集	模型	NDCG@10	HR@10	unexp	运行时间/s
Meetup-纽约	PURS	0.25	0.32	0.24	2 400
	UER-DR	0.16	0.17	0.22	300
	DIN	0.26	0.33	0.19	750
	UER	0.33	0.39	0.29	455
Meetup-加州	PURS	0.26	0.33	0.28	2 450
	UER-DR	0.19	0.20	0.24	320
	DIN	0.29	0.35	0.22	800
	UER	0.37	0.43	0.34	470

数据集	模型	NDCG@10	HR@10	unexp	运行时间/s
Meetup-纽约	PURS	0.25	0.32	0.24	2 400
	UER-DR	0.16	0.17	0.22	300
	DIN	0.26	0.33	0.19	750
	UER	0.33	0.39	0.29	455
Meetup-加州	PURS	0.26	0.33	0.28	2 450
	UER-DR	0.19	0.20	0.24	320
	DIN	0.29	0.35	0.22	800
	UER	0.37	0.43	0.34	470

数据集	模型	NDCG@10	HR@10	unexp	运行时间/s
Meetup-纽约	UER	0.330	0.390	0.30	470
	UER-no-pre-train	0.325	0.385	0.27	430
	UER-no-unexp-factor	0.310	0.370	0.23	90
	UER-no-unexp	0.270	0.340	0.22	40
Meetup-加州	UER	0.360	0.430	0.33	510
	UER-no-pre-train	0.350	0.380	0.26	440
	UER-no-unexp-factor	0.340	0.375	0.25	110
	UER-no-unexp	0.300	0.360	0.23	50

基于新奇度量的社交事件推荐方法

Social event recommendation method based on unexpectedness metric

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 16

相关文章 15

编辑推荐

Metrics

[1]	郭洁, 林佳瑜, 梁祖红, 罗孝波, 孙海涛. 基于知识感知和跨层次对比学习的推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1121-1127.
[2]	张鹏飞, 韩李涛, 冯恒健, 李洪梅. 基于注意力机制和全局特征优化的点云语义分割[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1086-1092.
[3]	陈天华, 朱家煊, 印杰. 基于注意力机制的鸟类识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1114-1120.
[4]	许立君, 黎辉, 刘祖阳, 陈侃松, 马为駽. 基于3D‑Ghost卷积神经网络的脑胶质瘤MRI图像分割算法3D‑GA‑Unet[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1294-1302.
[5]	肖斌, 甘昀, 汪敏, 张兴鹏, 王照星. 基于端口注意力与通道空间注意力的网络异常流量检测[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1027-1034.
[6]	杨先凤, 汤依磊, 李自强. 基于交替注意力机制和图卷积网络的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1058-1064.
[7]	王海涵, 朱焱. 融合反讽机制的攻击性言论检测[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1065-1071.
[8]	袁泉, 陈昌平, 陈泽, 詹林峰. 基于BERT的两次注意力机制远程监督关系抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1080-1085.
[9]	尤昕源, 王恒. 基于门控膨胀卷积循环网络的单声道语音增强[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1317-1324.
[10]	黄荣, 宋俊杰, 周树波, 刘浩. 基于自监督视觉Transformer的图像美学质量评价方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1269-1276.
[11]	郑宇亮, 陈云华, 白伟杰, 陈平华. 融合事件数据和图像帧的车辆目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 931-937.
[12]	赵奎, 仇慧琪, 李旭, 徐知非. 结合注意力和多路径融合的实时肺结节检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 945-952.
[13]	尚爱国, 朱欣娟. 基于多任务学习的意图检测和槽位填充联合方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 690-695.
[14]	董永峰, 白佳明, 王利琴, 王旭. 融合先验知识和字形特征的中文命名实体识别[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 702-708.
[15]	江锐, 刘威, 陈成, 卢涛. 非对称端到端的无监督图像去雨网络[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 922-930.