本文是一篇SCI论文发表，本文主要面向群体中各种潜在关系对群组推荐进行相关的研究。首先介绍了群组推荐的相关背景以及研究现状，并阐述了与群组推荐相关的各种理论知识；其次，探讨了如何利用知识图谱作为辅助信息挖掘更多的服务潜在关联关系，结合协同过滤等方法学习用户之间的相似关系，发现具有高相似偏好的潜在群组。然后，采用自注意力机制挖掘群组成员之间相似关系，为群组成员科学分配权重以此来得到融合的群组偏好，并利用协同度量学习方法对群组偏好和用户特征在同一特征空间进行相似性度量，从而获得群组推荐列表。最后通过仿真实验和群组推荐原型系统对本文方法进行有效性检验。
第一章 绪论
1.1 研究背景
随着互联网信息时代的快速发展以及智能手机的普及，移动互联网用户数量呈指数倍增长。2019 年 6 月，中国互联网络信息中心（CNNIC）统计显示，中国网民规模已达 8.54 亿人，其中，手机网民人数为 8.47 亿，占网民数量比例为 99.1%。海量用户和互联网服务（如电影、音乐、新闻、餐饮等）带来了严重的信息过载问题。
早期处理信息过载问题的方法主要是用户通过各种搜索引擎精确搜索自身偏好的相关信息，然而近年来用户越来越难从海量信息数据中找到准确描述自身需求的关键词，由此，解决该问题的另一个重要方法是推荐系统[1]。推荐系统不要求网络消费者主动给予确切的需求，而是利用这些海量用户和服务之间的潜在关系来挖掘用户潜在偏好，为用户推荐其所需的服务。有效的推荐系统能够帮助用户找到感兴趣的服务，从而提高用户的留存率并增加相关服务的曝光率，为服务提供商带来流量和利润。由于此经济效益的驱动，推荐系统一直作为学术界和工业界的研究热点且具有较好的发展前景。
目前，推荐系统相关的研究工作主要是针对单个用户进行个性化推荐，例如，淘宝、天猫、京东等平台对其登陆的用户推荐相关商品服务。传统的个性化推荐系统主要分为协同过滤推荐、基于内容的推荐、基于知识的推荐以及混合推荐等[2]。然而，由于社交网站的快速发展，个性化推荐不能够满足一些群体活动，比如，①朋友聚会时，可推荐 Switch 平台上的多人同屏互动的游戏，拉近人与人之间的关系②公司团建时，可推荐增强团体精神的户外活动③近几年越来越兴起的旅游行业，可为游客参团集体旅行的旅游路线推荐。④物联网和边缘计算环境下的交互式电视和智能远程会议等团体活动随着智能化发展而越来越多，可根据群体特征来推荐这些智能设备。由此，群组推荐应运而生。
...................
1.2 研究现状
1.2.1 潜在关系学习
在群组推荐过程中，由于所有的群组成员在消费服务时候需共同进行，因此群组最终决定消费的服务受全部成员与服务之间的潜在偏好关系、不同服务实体之间的潜在关联关系、群组成员与成员之间的潜在相似关系以及群组自身与服务的交互关系等因素的影响。故本文研究的群组推荐中各种潜在关系主要是指互联网环境下，群组或者成员与服务之间进行交互行为时所产生的各种潜在关系，比如成员之间潜在相似关系或者成员与服务的潜在偏好关系等。群组中各种潜在关系的学习可以发现群组成员对服务的偏好需求以及不同成员之间的相似性，从而高度聚合出群组的偏好，提高群组推荐的准确度以及提升群组成员的满意度。
目前国内外学者针对推荐系统中的潜在关系进行了许多研究。Zhu[10]等人提出了一种基于隐式社交关系的 POI 推荐模型，其通过提取隐式社交关系和分析空间和时间上的历史共现关系来估计用户之间的关系连接强度，并将隐式社交关系和显式社交关系结合起来进行 POI推荐。Gao[11]等人提出了一种利用主题相关性和专家潜在关系进行评审专家推荐的新方法。该方法分别利用主题之间的相关关系和专家之间的潜在关系构造主题和专家的马尔科夫网络来提取主题群组和专家群组，并计算两个群组之间的潜在相似关系来推荐与项目最为相关的专家。Dongyan Guo[12]等人提出一个框架来学习潜在的社会关系强度，其将多视图下的用户关系学习和关系强度建模集成到一个过程框架中，并由此提出一种朋友推荐方法。S. Zhang[13]等人提出了一种新的序列感知推荐模型，该模型利用了自注意力机制从用户的历史交互行为中推断项目与项目之间的潜在关系，从而获取用户对项目短期和长期的兴趣偏好。Zihui Liu[14]等人提出了一种结合用户之间的潜在信任度和评价关系的推荐算法，该算法同时考虑用户对项目的潜在偏好关系和用户的隐式反馈，提高了算法的准确性。Haiying Liu[15]等人提出了一种多视角的 User2vec 表示模型，该模型结合了用户转发路径的潜在社会关系和用户跟随路径的显式社会关系来学习用户向量表示，该用户向量之间的相似性很好地捕捉到社会互动的连通关系和用户兴趣的一致性关系。YiT[16]等人提出了一种新的潜在关系度量学习推荐模型（LRML），其主要用来学习用户与项目之间的潜在关系，而不是简单的用户和项目之间的推拉关系，并采用了一个增强的存储器模块，并通过这些记忆块来构建潜在关系。Oramas[17]等人利用音乐标签、文本描述、收听下载等辅助信息结合声音和音乐知识图谱来挖掘实体之间的潜在关系，由于外部知识库提供更丰富的语义信息，由此学习的用户隐式偏好更广泛精准，从而令推荐效果更准确。
.......................
第二章 相关背景知识介绍
2.1 群组推荐系统
推荐系统作为一种信息筛选系统，主要用于获取用户偏好来预测评分，并给用户提供服务列表，从而解决信息过载问题。群组推荐系统为推荐系统的热门研究之一，研究对象由单个用户转为一个群体。群组推荐系统技术核心是对用户交互行为、服务属性、上下文等辅助信息进行建模，学习用户自身偏好，发现潜在的群组，融合得到群组偏好，并向群组推荐令所有用户满意度较高的服务。
2.1.1 群组发现的聚类技术
聚类分析属于无监督学习算法，其目的主要根据对象的相似性来对其分组，聚类集群被应用在不同领域中，如自然语言处理、群智感知和推荐系统等。在推荐系统领域中使用聚类方法主要对相似用户或者项目进行分组，从而发现潜在的群组，然后对整个群组进行推荐。常用的群组发现聚类方法主要为基于划分的聚类算法、基于层次结构的聚类算法、基于密度的聚类算法、基于图论的聚类算法和模糊聚类等[45]。
基于划分的聚类算法的基本思想是以数据中心作为相应簇的中心，典型算法有 K-means算法、K-medoids 算法等。K-means 的核心理念是更新由数据中心表示的集群中心点，通过迭代计算直至满足收敛条件。K-mediods 是 K-means 的改进算法，它将最靠近数据中心的点作为对应集群的中心。
基于层次结构的聚类算法的基本思想是在数据关系中构造层次结构来划分簇，其中典型算法包括 AGNES、BIRCH 和 CURE 等。AGNES 是一种自底向上的层次聚类算法，其假设初始阶段每个数据点作为单个簇，然后不断合并距离最近的两个聚类簇，不断重复直到达到预定的聚类集群个数。BIRCH 算法利用聚类特征 CF 树来实现聚类，其中每个树节点表示一个子簇，聚类特征树节点包含样本的属性特征，如样本数量，样本维度等。CURE 算法适合大规模聚类，利用随机抽样对数据进行聚类，并整合聚类结果整合。
....................
2.2 协同过滤算法
协同过滤方法是目前推荐系统中常用的推荐技术，其主要思想为利用用户群体历史行为来预测目标用户可能感兴趣的服务。在传统的协同过滤推荐算法中，基于用户的协同过滤和基于项目的协同过滤是最常见的两种算法[47]。基于用户的协同过滤方法主要思想为找到和目标用户偏好相似的邻居用户，然后根据邻居用户喜欢的服务推荐给目标用户。基于项目的协同过滤方法主要思想为根据目标用户与服务的历史交互信息，给该用户推荐与其过去喜欢的服务相似的其他服务。该方法的步骤主要分为两步，第一步为计算服务两两之间的相似度，第二步根据该相似度和用户与服务的交互历史生成推荐。
知识图谱由众多实体、实体属性以及相互连接的关系组成，其通过实体-关系-实体的三元组（head，relation，tail）来表示[17]。在电影场景中，电影与导演、类型、演员等实体形成电影知识图谱，如图 2.1 所示。
................................
第三章 面向知识图谱关联关系的群组发现方法................................... 15
3.1 研究思路 .............................. 15
3.2 整体模型 ................... 16
第四章 面向群体用户相似关系的群组推荐方法..................................... 32
4.1 研究思路 ............................. 32
4.2 整体模型 ..................... 33
第五章 原型系统与应用示范 .............................. 46
5.1 原型系统的开发环境 ............................. 46
5.2 系统设计与实现 ........................ 46
第五章 原型系统与应用示范
5.1 原型系统的开发环境
本文原型系统的开发平台是 Ubuntu16.04 操作系统，主要使用的语言为 Python，其中Python 的开发环境为 Python 3.6 和 Pycharm 2018.1.4 x64。Web 开发涉及 Html、CSS、JavaScript、Bootstrap、Django 等技术，数据库为 S
