Group recommendation refers to a recommendation of items to a group of users (i.e., members). The task of group recommendation differs from that of an individual recommendation in that the preference of a group is a mixture of diverse member preferences. Additionally, the number of members can be different for each group. In group recommendation, there are two major goals: i) handling unseen groups that were not present during the training, and ii) generalizing aggregation functions on member preferences (or members' recommendations) against group-item interaction sparsity. Recently, deep neural networks and an attention mechanism were applied to group recommendations by aggregating user preferences. Neural aggregation functions leverage the attention mechanism to learn a dynamic aggregation strategy. However, current methods are insufficient to handle unseen groups (i.e., transductive models) or struggle to compute cost-effective attention networks and regularizations. In this work, we propose the novel Bayesian inductive learning method, called IndiG, for making recommendations to seen and unseen groups. To learn inductively, a function distribution consisting of efficient attention-based aggregation is used as shared information across groups. By incorporating a transductive model as a posterior into the proposed Bayesian method, an inductive model as a prior can learn robustly. We adopt cost-effective regularization to prevent degenerated solutions by maximizing a correlation between group representations of a transductive model and an inductive model, while decorrelating dimensions of group representations. Through experiments, we demonstrated that the proposed method outperformed other existing methods. The experiments also showed that the utilization of uncertainty on the predicted ratings of items worked effectively to improve the performance.
그룹 추천은 유저들의 그룹에 선호할 만한 아이템을 추천하는 것이다. 실제 그룹 추천 모델에서는 훈련 단계에서 나타나지 않은 신규 그룹이 나타날 수 있다. 최근에는 심층 뉴럴 네트워크와 어텐션 메카니즘을 이용하여 그룹 멤버들의 선호도를 집계하고 아이템을 추천한다. 하지만, 최신 연구들은 신규 그룹을 다루지 못하거나 (즉, 변환 학습 모델이거나) 어텐션 네트워크와 정규화의 효율적인 계산에 어려움을 겪고 있다. 이 연구에서는 기존 그룹과 신규 그룹의 추천을 위한 새로운 베이지안 귀납적 학습 기법인 IndiG를 제안한다. 귀납적 학습을 위해, 효율적인 어텐션 기반의 집계 방식으로 구성된 함수 확률 분포를 여러 그룹 간 공유하는 정보로 사용한다. 제안하는 베이지안 모델에서, 변환 모델을 사후 분포로 이용하여 귀납 모델이 사전 분포로써 강건하게 학습되도록 만든다. 표현 벡터 학습 악화를 효과적으로 막기 위해, 변환 모델과 귀납 모델의 그룹 표현 벡터들 사이의 상관 계수를 최대화하였다. 이와 동시에 그룹 표현 벡터의 각 차원이 독립된 정보를 갖게 하여 모델의 표현력을 증진하였다. 실험을 통해, 제안 방법이 기존 방법에 비해 추천 성능이 우수하다는 것을 보였다. 또한, 아이템의 점수에 대한 불확실성 활용을 통해 추천 성능을 효과적으로 향상할 수 있음을 보여주었다.
