群体推荐最难的不是平均意见，而是学会群体怎么一起做决定

群体推荐最难的不是平均意见，而是学会群体怎么一起做决定

一、研究背景与问题提出

家庭一起选电影、朋友一起订餐、团队一起规划出游，这些场景都说明推荐系统面对的对象不总是单个人。有意思的是，很多群体推荐方法虽然名义上研究“群体”，实际做法却只是先预测每个成员的偏好，再做均值、加权或最小满意度之类的聚合。AAAI 2014 论文《Deep Modeling of Group Preferences for Group-Based Recommendation》正是对这种思路提出了质疑：群体偏好真的只是个人偏好的简单求和吗？作者的回答是否定的。

论文指出，现有的群体推荐方法大多隐含一个前提，即群体偏好可以由预设规则从个体偏好推出。但真实决策远没有这么整齐。群体内部可能存在主导者、妥协者、沉默者，不同成员之间也可能形成稳定的协商模式。也就是说，一个群体真正喜欢什么，未必等于成员意见的线性平均值，而可能是一种更高层次、更抽象的集体结构。如果仍把群体推荐当作纯粹的后处理聚合问题，就很难捕捉这些深层规律。

二、核心方法与关键机制

基于这一判断，作者把问题改写成表示学习任务，提出由 collective DBN 和 dual-wing RBM 组成的深层架构。这个模型试图同时表示成员层、个体层和群体层的信号：底层部分先从成员行为中抽取低层特征，然后逐步向上形成更高层次的集体特征；在顶部结构里，dual-wing RBM 又把群体选择结果和这些集体表征结合起来，使系统能够直接学习“这个群体通常如何达成偏好”，而不是被迫依赖人为设计的聚合公式。换句话说，模型想学的不是每个人分别喜欢什么，而是这个群体在一起时会形成怎样的共同决定。

论文核心方法图：群体偏好深层建模框架示意，展示 collective DBN 与 dual-wing RBM 的组合方式。

如果进一步解释这套架构，它真正要解决的是“成员特征”和“集体特征”之间的分离问题。传统聚合方法往往把个体意见直接合成一个总分，于是群体内部协商、妥协与共同偏好这些更高层次信息很难浮现出来。而论文使用 collective DBN 的目的，就是让模型先从多个成员的输入中抽出共享结构，再把这些共享结构交给上层模块继续组织，形成更接近群体层面的表示。

顶部的 dual-wing RBM 则承担了把群体表示和实际群体选择连接起来的任务。这个设计意味着，模型不是只在抽象层面学一个‘群体嵌入’，而是进一步要求这个嵌入能够解释真实决策结果。也正因为如此，方法的重点不在网络有多深，而在它能否把原本混杂在个体行为中的集体规律真正分离出来，并让这些规律对推荐判断产生稳定作用。

三、实验结果与结论

这样做的好处在于，深层表示能够帮助模型摆脱原始评分数据的一致性假设。即便群体成员的表态并不完全一致，只要深层结构能从中提炼出稳定的共享模式，推荐系统仍有机会获得更可靠的群体表示。论文的实验结果显示，这种面向群体本身的深层建模方式优于多种主流的聚合式群体推荐方法，说明群体偏好确实可以被看作一种值得单独学习的对象，而不只是个人偏好的简单统计结果。

这篇论文的结论真正重要的地方在于，它把群体推荐从‘规则工程’推进到了‘表示学习’。它告诉我们，群体决策不是预设公式可以完全刻画的，而是一种需要被模型主动学习出来的结构。这个观点后来对社交推荐、多主体决策和群体行为建模都产生了很大影响。

四、研究价值与启示

这篇论文的现实意义也很明显。它把群体推荐从‘怎么聚合个体意见’推进到了‘群体偏好到底是什么’这一更根本的问题上。今天回看，这种思想仍然很有前瞻性，因为无论是社交推荐、协同决策还是多主体智能系统，都越来越依赖对集体行为机制的理解。作者所做的并不是单纯把深度学习引入推荐，而是借助深度表示让群体作为一个整体真正被模型看见。

作者简介：胡亮，同济大学计算机科学与技术学院教授、博导，分别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、深度学习与数据科学，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。

已收藏 0

点赞 0