胡亮教授相关成果介绍②：群体偏好深度建模：从“成员聚合”走向“群体表示学习” Deep Modeling of Group Preferences for Group-Based Recommenda

作者简介

胡亮，同济大学计算机科学与技术学院教授、博导，毕业于上海交通大学与悉尼科技大学，研究方向涵盖人工智能、推荐系统、机器学习与数据科学，入选上海海外高层次人才，获国家自然科学基金优秀青年科学基金项目（海外）支持。

一、研究背景

群组推荐系统面向的是家庭观影、结伴出游、共同用餐等“多人共同决策”场景。传统方法通常把群体决策拆成成员评分的聚合：要么先把个人评分合成群体评分，要么先预测个人偏好再做结果聚合。作者认为，这类做法虽然直观，但高度依赖预设的聚合规则，容易受到数据稀疏和成员偏好不一致的影响，也难以真正学到“群体作为一个整体”在做决定时的潜在规律。

二、论文信息

三、核心发现

图示：论文原文中的 dual-wing RBM 结构示意（Figure 2）

四、研究内容解读

1. 这项研究要回答什么问题？

这项研究想解决的核心问题是：群体偏好到底能不能不依赖人工规则，而由模型自己从成员行为中学习出来？论文把这一问题转化为表示学习任务，即通过深层网络从成员在群体场景下的选择中抽取更稳定、更抽象的群体特征。

2. 研究团队发现了什么？

围绕这一目标，作者提出了“集体特征”“个体特征”和“成员特征”的划分。其中，成员特征代表某个用户在群体情境中的行为表现，而集体特征则反映群体内部共同接受、共同妥协的偏好部分。论文设计的 collective DBN 负责从多个成员的选择中逐层抽取这些高层次集体特征，从而让群体偏好不再只是单次打分的机械叠加。

3. 他们是如何证明的？

在此基础上，作者又使用 dual-wing RBM，把“群体选择结果”和“集体特征”一起放到顶部结构中联合建模。这样，模型一方面能利用成员行为中共享的群体规律，另一方面又能让最终预测与真实群体决策保持一致，从而形成对群体偏好的统一表示。

五、关键机制与功能验证

从机制上看，论文的关键在于把群体推荐从“规则聚合问题”改写为“深层表示学习问题”。DBN 负责从下往上提炼可共享的群体表征，RBM 则在高层把集体特征与群体选择耦合起来。实验基于真实数据集开展，结果表明该模型优于多种主流聚合式群组推荐方法，说明群体偏好确实可以通过深层结构获得更稳健的表达。

六、总结与意义

这项工作的价值在于，它把群组推荐研究从“怎么聚合个人意见”推进到“如何直接表示群体偏好”。这种思路不仅提升了模型对复杂群体场景的适应性，也为后来面向会话群体、社交群体和协同决策的推荐模型提供了重要启发。

DOI：10.1609/aaai.v28i1.9007

已收藏 0

点赞 0