CN116894122A - 一种基于超图卷积网络的跨视图对比学习群组推荐方法 - Google Patents

Abstract

本发明提出一种基于超图卷积网络的跨视图对比学习群组推荐方法。所述方法设计了一个多视图框架，分别是超图表征的成员级偏好网络视图、重叠图表征的组级偏好网络视图和二部图表征的项目级偏好网络视图。对于每个数据视图，应用一个特定的图结构来编码行为数据进而生成对应视图的群组表示。其中，本发明提出的超图学习架构来学习成员级的聚合并捕捉高阶协同信息。与现有的聚合方法相比，该聚合方式依靠超图卷积进行，不同的群组偏好沿着超边传递信息。所述方法以构建多视图的方式挖掘群组对物品的偏好，从而精准的进行评分预测工作。

Description

一种基于超图卷积网络的跨视图对比学习群组推荐方法

技术领域

本发明涉及偏好预测的超图卷积网络的跨视图对比学习群组推荐技术领域，具体涉及一种基于超图卷积网络的跨视图对比学习群组推荐方法。

背景技术

随着互联网的发展以及在线社区活动的普及，具有相似背景(如爱好、职业、年龄)的人根据不同的需要固定或临时组成一个小组去参与不同的活动。例如，根据用户不同的兴趣划分为很多兴趣小组，游戏小组、绘画小组等，以便获得各种活动资源。人们也常常聚在一起进行各种群组活动，例如，临时组队的旅游团、团队聚餐或者看电影。常规的，这些人可能彼此熟悉，比如共同生活在一个家庭中；也可能彼此陌生，是在某个活动中偶然间相遇的，例如几个旅行者共同加入一个旅行团。在这些场景下，我们需要为群组推荐一个或者几个合适的项目，以满足群组的需求。但是每一个群组中有很多用户，不同用户之间的偏好存在着个体差异。因此，群组推荐的最终目的是聚合群组成员不同的偏好，向群组推荐适合且令人满意的项目。群组推荐不仅可以节约群组决策的时间，也可以减少群组成员之间不必要的矛盾。

现有的方法大多采用启发式的方法或基于注意力机制的方法来聚合群体成员的个人偏好来推断群组的偏好。然而这些方法只是对单个组的用户偏好进行建模，忽略了组内外复杂的高级交互。其次，一个群组最终的决策并不一定来自群组成员的偏好。但现有方法不足以对这种跨群组偏好进行建模。此外，由于群组-项目交互的稀疏，使得群组推荐存在数据稀疏的问题。如果没有解决上述问题，会降低推荐结果的准确性。

发明内容

本发明目的是为了克服现有技术中的不足问题，从而提出一种基于超图卷积网络的跨视图对比学习群组推荐方法。所述方法实现了向群组推荐评分最高的多个物品，并且在现实生活中，需要向群组推荐适合且令人满意的项目。

本发明是通过以下技术方案实现的，本发明提出一种基于超图卷积网络的跨视图对比学习群组推荐方法，所述方法包括以下步骤：

步骤1、在CAMRa2011和马蜂窝平台获取群组交互数据集，其中数据集包含用户对物品、群组对物品的交互历史以及用户-群组组成关系；

步骤2、训练集中的用户集合为U，U＝{u₁,u₂,…,u_h,…,u_M}，h∈{1,…,M}，其中u_h为第h个用户，M为用户的数量；商品集合为I，I＝{i₁，i₂，...，j_j，...，i_n}，j∈{1，...，N}，其中i_j为第j个商品，N为商品的数量；群组集合为G，G＝{g₁，g₂，...，g_t，...，g_k}，t∈{1，...，k}，其中g_t为第t个群组，k为群组的数量；其中，第t组g_t∈G由一组群组成员组成，用G(t)＝{u₁，u₂，...，u_h，...，u_p}表示，其中u_h∈U，p是群组g_t包含群组成员的数量，G(t)是群组g_t成员的集合；

步骤3、构造具有丰富边信息的超图，通过连接两个以上节点的超边来扩展图结构；其中，超边可以连接任何数量的节点；超图表示为G^m＝(V^m，ε^m)，其中，V^m＝U∪I是包含N个唯一顶点的节点集，每个节点表示群体成员或群组交互的项目，ε^m是包含M个超边的边集，每条超边表示一个群组，它是由群组中的成员和群组交互的项目组成；形式上，用ε^t＝{u₁，u₂，…u_h…，u_p，i₁，i₂，…，i_j，…，i_q}来表示群组g_t；其中，u_h∈U，i_j∈I，并且ε^t∈ε^m；超图的连通性用关联矩阵来表示；对于每一个顶点和超边，使用对角矩阵D和B分别表示顶点和超边的度，其中/>每个超边e∈ε包含两个或多个顶点，并被赋予正权重W_ee，所有的权重形成对角矩阵W∈R^M×M；

步骤4、在超图的重叠图上的图卷积网络中，从连接相似的群组去捕获和传播组级的偏好，构建重叠图；其中，用G^g＝(V^g，ε^g)表示超图的重叠图；V^g＝{e：e∈ε}，ε^g＝{(e_p，e_q)：e_p，e_q∈ε，|e_p∩e_q|≥1}，并为重叠图中的每一条边配置一个权重W_p，q，其中W_p，q＝|e_p∩e_q|/|e_p∪e_q|；

步骤5、利用群组-项目二部图来构造图G^I＝(V^I，ε^I)；其中V^I＝G∪I表示节点集，ε^I＝{(g_t，i_j)g_t∈G，i_j∈I，R(t，j)＝1}；邻接矩阵

步骤6、通过利用超图从成员级别聚合群组内成员的偏好进而获得群组偏好通过利用重叠图从相似的群组中去捕获和传播群组的偏好/>通过利用群组-项目二部图从群组的交互历史中去捕获群组偏好/>采用三个不同的门控来自动区分不同视图的贡献，计算最终的群组表示g_t：/>其中α、β和γ分别表示学习到的权重，分别由以及/>得到；其中W^M、W^I和W^G∈R^d是三种不同的可训练权重，σ是激活函数；

步骤7、计算群组g_t对项目i_j的预测得分将该得分降序排列得到为群组推荐的物品列表；随机从R中抽取(g_t,i_j)并为每一个群组g_t采样负样本，使用成对损失来计算群组预测损失，具体如下：/>其中，O_G＝{(t,j,j')|(t,j)∈O_G+,(t,j')∈O_G-}表示群组-项目训练数据集，O_G+是观察到的交互的集合，O_G-是未观察到的交互的集合；

步骤8、对跨视图协作关联进行建模，建立跨视图对比损失；利用得到的三个群组偏好表示获得对比损失L_con；将群组推荐损失和对比损失结合起来联合训练，最小化以下目标函数来学习模型参数：L＝L_group+λL_con；λ是控制对比损失的超参数。

进一步地，在步骤3中，构建成员级偏好网络，执行超图卷积操作来编码用户和项目之间的高阶关系；用户-商品的聚合过程为M^(l+1)＝D^-1HWB^-1H^TM^(l)Θ^(l)，其中D、B和W分别表示节点度矩阵、边度矩阵和权重矩阵；用单位矩阵初始化权值矩阵W，使得所有超边拥有相等的权重，Θ为两个卷积层之间可学习的参数矩阵；超图卷积可以看成两个阶段的信息聚合，“节点-超边-节点”；即和/>

进一步地，在步骤3中，应用注意力机制学习成员在群组中的权重； 其中，权重α(h,j)表示群组成员u_h在群组决策项目i_j时的影响力分数，通过计算o(h,j)＝h^TRELU(Wu[u_h；u'_h]+Wj[i_j；i'_j]+b)后进行softmax归一化得到。

进一步地，在步骤4中，

将群组嵌入G∈R^k×d输入到图卷积网络，记为G⁽⁰⁾＝G，执行组级图卷积过程其中，/>I为单位矩阵，A_p,q＝W_p,q；/>是邻接矩阵的对角度矩阵，/>

对每层获得的群组嵌入进行平均，得到最终的组级的群组嵌入：因此每一群组g_t的在组级下的群组表示为/>

进一步地，在步骤5中，

将群组嵌入G∈R^k×d和项目嵌入I∈R^n×d送到图卷积网络中，记作E⁽⁰⁾＝E，其中E是两个嵌入的拼接E＝[G；I]；执行项目级图卷积：

最终的群组表示通过平均在不同层学习到的表示得到，将其表示为获得每一群组g_t的在项目级下的表示/>

进一步地，在步骤8中，

在多视图上应用对比学习，对于一个视图中的节点，另一个视图学习的同一节点嵌入视为正样本对；在两个视图中，除它之外的节点嵌入视为负样本对；即：正样本有一个来源，负样本有两个来源，即视图内节点和视图间节点。

进一步地，在步骤8中，

对于定义好的正负样本，成员级偏好视图和组级偏好视图之间的对比损失为 其中，θ(·)函数来学习两个输入向量之间的分数，并分配给正样本对比负样本对更高的分数，具体使用/>来计算，h(·)是非线性投影用于提升表征质量，主要由两层感知机实现；成员级偏好视图和项目级偏好视图之间的对比损失为/>组级偏好视图和项目级偏好视图之间的对比损失为/>

进一步地，在步骤8中，

由于任意两个视图是对称的，所以L_GM、L_IM、L_IG的计算方式同L_MG、L_MI、L_GI的计算方式，成员级偏好网络视图和组级偏好网络视图间的最终对比损失为另外任何两个视图间损失计算方式也如此计算得到L_con2和L_con3；然后，对三个视图的对比损失进行平均处理得到最终的对比损失L_con：/>

本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种基于超图卷积网络的跨视图对比学习群组推荐方法的步骤。

本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于超图卷积网络的跨视图对比学习群组推荐方法的步骤。

本发明具有以下有益效果：

本发明提出了一个用于群组推荐的跨视图对比学习超图卷积网络模型，简写为“C²-HGR”。以构建多视图的方式挖掘群组对物品的偏好，从而精准的进行评分预测工作。

本发明设计了一个不同粒度级别的多视图学习框架，包括超图表征的成员级偏好网络，重叠图表征的组级偏好网络以及二部图表征的项目级偏好网络。通过三者有效融合，提取用户-项目、群组-项目的协同信息以及群组相似性，进而增强群组偏好。

本发明设计了一个新的超图神经卷积网络获得成员级聚合，而且利用超图转换的重叠图获得组级偏好。与现有的聚合方法相比，本发明的方法在性能方面展现出了优越性。此外，为了整合来自多个视图获得的群组偏好表示，本发明设计了一个有效的门控组件，以权衡每个视图对于整个模型的贡献程度。

本发明提出了一个基于自监督的多视图对比学习的方法，以增强群组表示，并解决数据稀疏性的问题。该方法与图卷积网络分层的设计无缝耦合。通过统一推荐任务和对比学习任务，可以显著提升推荐性能。并且本发明适用于群组推荐。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明的一种基于超图卷积网络的跨视图对比学习群组推荐方法的整体示意图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

结合图1，本发明提出一种基于超图卷积网络的跨视图对比学习群组推荐方法，所述方法包括以下步骤：

步骤1、在CAMRa2011和马蜂窝平台获取群组交互数据集，其中数据集包含用户对物品、群组对物品的交互历史以及用户-群组组成关系；

步骤2、训练集中的用户集合为U，U＝{u₁,u₂,…,u_h,…,u_M}，h∈{1,…,M}，其中u_h为第h个用户，M为用户的数量；商品集合为I，I＝{i₁,i₂,…,i_j,…,i_n}，j∈{1,…,N}，其中i_j为第j个商品，N为商品的数量；群组集合为G，G＝{g₁，g₂，...，g_t，...，g_k}，t∈{1，...，k}，其中g_t为第t个群组，k为群组的数量；其中，第t组g_t∈G由一组群组成员组成，用G(t)＝{u₁，u₂，...，u_h，...，u_p}表示，其中u_h∈U，p是群组g_t包含群组成员的数量，G(t)是群组g_t成员的集合；

步骤3、为了捕捉复杂且高阶的群组偏好，拟构造具有丰富边信息的超图，通过连接两个以上节点的超边来扩展图结构；其中，超边可以连接任何数量的节点；超图表示为G^m＝(V^m，ε^m)，其中，V^m＝U∪I是包含N个唯一顶点的节点集，每个节点表示群体成员或群组交互的项目，ε^m是包含M个超边的边集，每条超边表示一个群组，它是由群组中的成员和群组交互的项目组成；形式上，用ε^t＝{u₁，u₂，…u_h…，u_p，i₁，i₂，…，i_j，…，i_q}来表示群组g_t；其中，u_h∈U，i_j∈I，并且ε^t∈ε^m；超图的连通性用关联矩阵来表示；对于每一个顶点和超边，使用对角矩阵D和B分别表示顶点和超边的度，其中每个超边e∈ε包含两个或多个顶点，并被赋予正权重W_ee，所有的权重形成对角矩阵W∈R^M×M；

步骤4、在超图的重叠图上的图卷积网络中，从连接相似的群组去捕获和传播组级的偏好，构建重叠图；其中，用G^g＝(V^g，εg)表示超图的重叠图；V^g＝{e：e∈ε}，ε^g＝{(e_p，e_q)：e_p，e_q∈ε，|e_p∩e_q|≥1}，并为重叠图中的每一条边配置一个权重W_p，q，其中W_p，q＝|e_p∩e_q|/|e_p∪e_q|；

步骤5、利用群组-项目二部图来构造图G^I＝(V^I，ε^I)；其中V^I＝G∪I表示节点集，ε^I＝{(g_t，i_j)|g_t∈G，i_j∈I，R(t，j)＝1}；邻接矩阵

步骤6、通过利用超图从成员级别聚合群组内成员的偏好进而获得群组偏好通过利用重叠图从相似的群组中去捕获和传播群组的偏好/>通过利用群组-项目二部图从群组的交互历史中去捕获群组偏好/>采用三个不同的门控来自动区分不同视图的贡献，计算最终的群组表示g_t：/>其中α、β和γ分别表示学习到的权重，分别由以及/>得到；其中W^M、W^I和W^G∈R^d是三种不同的可训练权重，σ是激活函数；

步骤7、计算群组g_t对项目i_j的预测得分将该得分降序排列得到为群组推荐的物品列表；随机从R中抽取(g_t,i_j)并为每一个群组g_t采样负样本，使用成对损失来计算群组预测损失，具体如下：/>其中，O_G＝{(t,j,j')|(t,j)∈O_G+,(t,j')∈O_G-}表示群组-项目训练数据集，O_G+是观察到的交互的集合，O_G-是未观察到的交互的集合；

步骤8、对跨视图协作关联进行建模，建立跨视图对比损失；利用步骤4中得到的三个群组偏好表示获得对比损失L_con；将群组推荐损失和对比损失结合起来联合训练，最小化以下目标函数来学习模型参数：L＝L_group+λL_con；λ是控制对比损失的超参数。

在步骤3中，构建成员级偏好网络，执行超图卷积操作来编码用户和项目之间的高阶关系；用户-商品的聚合过程为M^(l+1)＝D^-1HWB^-1H^TM^(l)Θ^(l)，其中D、B和W分别表示节点度矩阵、边度矩阵和权重矩阵；用单位矩阵初始化权值矩阵W，使得所有超边拥有相等的权重，Θ为两个卷积层之间可学习的参数矩阵；具体来说，超图卷积可以看成两个阶段的信息聚合，“节点-超边-节点”；即和/>

在步骤3中，应用注意力机制学习成员在群组中的权重；具体来说， 其中，权重α(h,j)表示群组成员u_h在群组决策项目i_j时的影响力分数，通过计算o(h,j)＝h^TRELU(Wu[u_h；u'_h]+Wj[i_j；i'_j]+b)后进行softmax归一化得到。

在步骤4中，

将群组嵌入G∈R^k×d输入到图卷积网络，记为G⁽⁰⁾＝G，执行组级图卷积过程其中，/>I为单位矩阵，A_p,q＝W_p,q；/>是邻接矩阵的对角度矩阵，/>

对每层获得的群组嵌入进行平均，得到最终的组级的群组嵌入：因此每一群组g_t的在组级下的群组表示为/>

在步骤5中，

为捕捉群组-项目之间的协作信号，将群组嵌入G∈R^k×d和项目嵌入I∈R^n×d送到图卷积网络中，记作E⁽⁰⁾＝E，其中E是两个嵌入的拼接E＝[G；I]；执行项目级图卷积：

最终的群组表示通过平均在不同层学习到的表示得到，将其表示为获得每一群组g_t的在项目级下的表示/>

在步骤8中，

为了解决用户-项目、群组-项目交互稀疏的问题并细化用户和群组表示,在多视图上应用对比学习，对于一个视图中的节点，另一个视图学习的同一节点嵌入视为正样本对；在两个视图中，除它之外的节点嵌入视为负样本对；即：正样本有一个来源，负样本有两个来源，即视图内节点和视图间节点。

在步骤8中，

对于定义好的正负样本，成员级偏好视图和组级偏好视图之间的对比损失为 其中，θ(·)函数来学习两个输入向量之间的分数，并分配给正样本对比负样本对更高的分数，具体使用/>来计算，h(·)是非线性投影用于提升表征质量，主要由两层感知机实现；成员级偏好视图和项目级偏好视图之间的对比损失为/>组级偏好视图和项目级偏好视图之间的对比损失为/>

在步骤8中，

由于任意两个视图是对称的，所以L_GM、L_IM、L_IG的计算方式同L_MG、L_MI、L_GI的计算方式，成员级偏好网络视图和组级偏好网络视图间的最终对比损失为另外任何两个视图间损失计算方式也如此计算得到L_con2和L_con3；然后，对三个视图的对比损失进行平均处理得到最终的对比损失L_con：/>

本发明提出一种基于超图卷积网络的跨视图对比学习群组推荐方法，所述方法设计了一个多视图框架，分别是超图表征的成员级偏好网络视图、重叠图表征的组级偏好网络视图和二部图表征的项目级偏好网络视图。对于每个数据视图，应用一个特定的图结构来编码行为数据进而生成对应视图的群组表示。其中，本发明提出的超图学习架构来学习成员级的聚合并捕捉高阶协同信息。与现有的聚合方法相比，该聚合方式依靠超图卷积进行，不同的群组偏好沿着超边传递信息。对于群组的一般偏好，提出的项目级偏好网络和组级偏好网络。两者分别基于群组-项目交互信息和组相似性(即群组之间的重叠关系)，通过多层卷积运算学习群组表示。利用多视图卷积网络，进一步提出了一种门控组件来自适应的调整每个视图的贡献。其次，为了缓解数据稀疏的问题，提出在多视图上应用对比学习方法。通过统一推荐任务和对比学习任务来优化模型参数，以此为群组提供好的决策结果。

本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种基于超图卷积网络的跨视图对比学习群组推荐方法的步骤。

本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于超图卷积网络的跨视图对比学习群组推荐方法的步骤。

本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasablePROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM，DRRAM)。应注意，本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，DVD))、或者半导体介质(例如，固态硬盘(solid state disc，SSD))等。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

应注意，本申请实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

以上对本发明所提出的一种基于超图卷积网络的跨视图对比学习群组推荐方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于超图卷积网络的跨视图对比学习群组推荐方法，其特征在于：所述方法包括以下步骤：

步骤1、在CAMRa2011和马蜂窝平台获取群组交互数据集，其中数据集包含用户对物品、群组对物品的交互历史以及用户-群组组成关系；

步骤2、训练集中的用户集合为U，U＝{u₁，u₂，...，u_h，...，u_M}，h∈{1，...，M}，其中u_h为第h个用户，M为用户的数量；商品集合为I，I＝{i₁，i₂，...，i_j，...，i_n}，j∈{1，...，N}，其中i_j为第j个商品，N为商品的数量；群组集合为G，G＝{g₁，g₂，...，g_t，...，g_k}，t∈{1，...，k}，其中g_t为第t个群组，k为群组的数量；其中，第t组g_t∈G由一组群组成员组成，用G(t)＝{u₁，u₂，...，u_h，...，u_p}表示，其中u_h∈U，p是群组g_t包含群组成员的数量，G(t)是群组g_t成员的集合；

步骤3、构造具有丰富边信息的超图，通过连接两个以上节点的超边来扩展图结构；其中，超边可以连接任何数量的节点；超图表示为G^m＝(V^m，ε^m)，其中，V^m＝U∪I是包含N个唯一顶点的节点集，每个节点表示群体成员或群组交互的项目，ε^m是包含M个超边的边集，每条超边表示一个群组，它是由群组中的成员和群组交互的项目组成；形式上，用ε^t＝{u₁，u₂，…u_h…，u_p，i₁，i₂，…，i_j，…，i_q}来表示群组g_t；其中，u_h∈U，i_j∈I，并且ε^t∈ε^m；超图的连通性用关联矩阵来表示；对于每一个顶点和超边，使用对角矩阵D和B分别表示顶点和超边的度，其中/>每个超边e∈ε包含两个或多个顶点，并被赋予正权重W_ee，所有的权重形成对角矩阵W∈R^M×M；

步骤4、在超图的重叠图上的图卷积网络中，从连接相似的群组去捕获和传播组级的偏好，构建重叠图；其中，用G^g＝(V^g，ε^g)表示超图的重叠图；V^g＝{e：e∈ε}，ε^g＝{(e_p，e_q)：e_p，e_q∈ε，|e_p∩e_q|≥1}，并为重叠图中的每一条边配置一个权重W_p，q，其中W_p，q＝|e_p∩e_q|/|e_p∪e_q|；

步骤5、利用群组-项目二部图来构造图G^I＝(V^I，ε^I)；其中V^I＝G∪I表示节点集，ε^I＝{(g_t，i_j)|g_t∈G，i_j∈I，R(t，j)＝1}；邻接矩阵

步骤6、通过利用超图从成员级别聚合群组内成员的偏好进而获得群组偏好通过利用重叠图从相似的群组中去捕获和传播群组的偏好/>通过利用群组-项目二部图从群组的交互历史中去捕获群组偏好/>采用三个不同的门控来自动区分不同视图的贡献，计算最终的群组表示g_t：/>其中α、β和γ分别表示学习到的权重，分别由 以及/>得到；其中W^M、W^I和W^G∈R^d是三种不同的可训练权重，σ是激活函数；

步骤7、计算群组g_t对项目i_j的预测得分 将该得分降序排列得到为群组推荐的物品列表；随机从R中抽取(g_t,i_j)并为每一个群组g_t采样负样本，使用成对损失来计算群组预测损失，具体如下：/>其中，表示群组-项目训练数据集，/>是观察到的交互的集合，/>是未观察到的交互的集合；

步骤8、对跨视图协作关联进行建模，建立跨视图对比损失；利用得到的三个群组偏好表示获得对比损失L_con；将群组推荐损失和对比损失结合起来联合训练，最小化以下目标函数来学习模型参数：L＝L_group+λL_con；λ是控制对比损失的超参数。

2.根据权利要求1所述的方法，其特征在于：在步骤3中，构建成员级偏好网络，执行超图卷积操作来编码用户和项目之间的高阶关系；用户-商品的聚合过程为M^(l+1)＝D^-1HWB^{- 1}H^TM^(l)Θ^(l)，其中D、B和W分别表示节点度矩阵、边度矩阵和权重矩阵；用单位矩阵初始化权值矩阵W，使得所有超边拥有相等的权重，Θ为两个卷积层之间可学习的参数矩阵；超图卷积可以看成两个阶段的信息聚合，“节点-超边-节点”；即和/>

3.根据权利要求2所述的方法，其特征在于：在步骤3中，应用注意力机制学习成员在群组中的权重；其中，权重α(h,j)表示群组成员u_h在群组决策项目i_j时的影响力分数，通过计算o(h,j)＝h^TRELU(Wu[u_h；u'_h]+Wj[i_j；i'_j]+b)后进行softmax归一化得到。

4.根据权利要求3所述的方法，其特征在于：在步骤4中，

将群组嵌入G∈R^k×d输入到图卷积网络，记为G⁽⁰⁾＝G，执行组级图卷积过程其中，/>I为单位矩阵，A_p,q＝W_p,q；/>是邻接矩阵的对角度矩阵，/>

对每层获得的群组嵌入进行平均，得到最终的组级的群组嵌入：因此每一群组g_t的在组级下的群组表示为/>

5.根据权利要求4所述的方法，其特征在于：在步骤5中，

将群组嵌入G∈R^k×d和项目嵌入I∈R^n×d送到图卷积网络中，记作E⁽⁰⁾＝E，其中E是两个嵌入的拼接E＝[G；I]；执行项目级图卷积：

最终的群组表示通过平均在不同层学习到的表示得到，将其表示为获得每一群组g_t的在项目级下的表示/>

6.根据权利要求1所述的方法，其特征在于：在步骤8中，

在多视图上应用对比学习，对于一个视图中的节点，另一个视图学习的同一节点嵌入视为正样本对；在两个视图中，除它之外的节点嵌入视为负样本对；即：正样本有一个来源，负样本有两个来源，即视图内节点和视图间节点。

7.根据权利要求6所述的方法，其特征在于：在步骤8中，

对于定义好的正负样本，成员级偏好视图和组级偏好视图之间的对比损失为 其中，θ(·)函数来学习两个输入向量之间的分数，并分配给正样本对比负样本对更高的分数，具体使用/>来计算，h(·)是非线性投影用于提升表征质量，主要由两层感知机实现；成员级偏好视图和项目级偏好视图之间的对比损失为/>组级偏好视图和项目级偏好视图之间的对比损失为/>

8.根据权利要求7所述的方法，其特征在于：在步骤8中，

由于任意两个视图是对称的，所以L_GM、L_IM、L_IG的计算方式同L_MG、L_MI、L_GI的计算方式，成员级偏好网络视图和组级偏好网络视图间的最终对比损失为另外任何两个视图间损失计算方式也如此计算得到L_con2和L_con3；然后，对三个视图的对比损失进行平均处理得到最终的对比损失L_con：/>

9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。

10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。