Group Recommendation Systems With Pairwise Preference Data

Abstract

Background and Motivation: Group recommendation systems (GRS) are designed to find what a group of people likes and suggest things they will enjoy together. These systems aim to match the combined tastes of everyone in the group. GRSs are needed for social activities like watching movies, dining out, and planning trips, where decisions must please people with different preferences. The main challenge is to combine these different tastes into one recommendation that makes everyone happy. This Research focuses on understanding how groups make decisions and creating algorithms that can accurately predict what a group will enjoy. Successfully solving this challenge can make group activities more enjoyable and harmonious.

Objectives: The main objective of this research is to propose new Methods for group recommendation that are fair and precise. To accomplish this goal, six research questions (RQs) have been formulated. [RQ1] How does the utilization of pairwise preference data address the limitations of single-rating data in enhancing the effectiveness of group recommendation systems? [RQ2] How does clustering users based on similar preferences contribute to enhancing the fairness of recommendation systems? [RQ3] How can the prediction of missing data in pairwise preference datasets effectively address the cold start issue in GDM and GRS? [RQ4] How can we develop models to better understand and incorporate the influences among members’ preferences, thus enhancing group recommendation? [RQ5] How can leveraging diverse similarity features of users overcome the limitations of traditional Group recommendation systems to enhance recommendation accuracy? [RQ6] How can aggregation and consensus-reaching mechanisms enhance group recommendation systems?

Methods: This research proposed and employed methodologies that can be classified into three primary categories: First, we utilized pairwise preference data, and predicted missing values. Second, we explored user grouping through the introduction of clustering techniques such as GcPp, MFP-based diversity clustering, and GCN-based diversity clustering. In this context, we examined various user similarity score calculations, some of which were proposed for the first time. Third, we developed consensus-reaching or aggregation methods that combine individual user preferences to form a cohesive group preference profile, which is essential for constructing the group recommendation model.

Contributions: The main contributions of this study include:

• Introducing an entropy-based matrix factorization technique for predicting missing values in pairwise preference datasets, which has broad applications in group recommendation systems and group decision-making. • Proposing several methods for predicting user similarity scores using pairwise preference data, demonstrating higher accuracy compared to single rating data. These similarity scores were calculated using various methods:

1. User similarity scores based on preference graph and graph convolutional networks (GCN). 2. User similarity scores based on user vectors derived from: a) User-item scores obtained from matrix factorization (MF). b) User embedding vectors from a trained matrix factorization model. c) User embedding vectors from the weights of a trained graph neural network.

• Developing clustering methods for grouping the users with similar preferences to facilitate generating fair group recommendations, such as:

1. Dominant set clustering. 2. Diversity-based clustering, which minimizes user diversity scores within groups.

• Introducing a consensus-reaching method based on user personalities, reflecting real-life scenarios where user contributions to group decisions depend on their personality traits.

• Developing aggregation methods that account for the contributions of individual users in the final group decision. These contributions are calculated using concepts such as the Shapley value and Wonderful Life Utility.

Bakgrunn og Motivasjon: Gruppeanbefalingssystemer (GRS) er utviklet for å finne ut hva en gruppe mennesker liker og til å foreslå ting de vil ha glede av sammen. Disse systemene har som mål å matche de kombinerte preferansene til alle i gruppen. GRS er nyttig for sosiale aktiviteter som å se på film, spise ute og planlegge turer, hvor beslutninger gi et best mulig resultat for flere med ulike preferanser. Den største utfordringen er å kombinere de ulike preferansene til én anbefaling som gjør alle fornøyde. Denne forskningen fokuserer på å forstå hvordan grupper tar beslutninger og å utvikle algoritmer som nøyaktig kan forutsi hva en gruppe vil sette pris på. Å lykkes med å løse denne utfordringen kan gjøre gruppeaktiviteter mer hyggelige og harmoniske.

Målsetninger: Hovedmålet med denne forskningen er å foreslå nye metoder for gruppeanbefalinger som er rettferdige og presise. For å oppnå dette målet er seks forskningsspørsmål (RQs) formulert: [RQ1] Hvordan kan bruk av parvise preferansedata løse begrensningene ved enkeltratingsdata for å øke effektiviteten til GRS? [RQ2] Hvordan bidrar klynging av brukere basert på lignende preferanser til å forbedre rettferdigheten i anbefalingssystemer? [RQ3] Hvordan kan prediksjon av manglende data i parvise preferansedatasett effektivt håndtere kaldstartproblemet i GDM og GRS? [RQ4] Hvordan kan vi utvikle modeller for å bedre forstå og inkorporere påvirkningene blant medlemmers preferanser, og dermed forbedre gruppeanbefalinger? [RQ5] Hvordan kan utnyttelse av mangfoldige likhetsegenskaper hos brukere overkomme begrensningene til tradisjonelle gruppeanbefalingssystemer for å forbedre anbefalingsnøyaktigheten? [RQ6] Hvordan kan aggregasjons- og konsensusmekanismer forbedre gruppeanbefalingssystemer?

Metoder: Denne forskningen foreslo og anvendte metodologier som kan klassifiseres i tre hovedkategorier: Først benyttet vi parvise preferansedata og forutså manglende verdier. For det andre utforsket vi brukergruppering gjennom introduksjon av klyngingsteknikker som GcPp, MFP-basert mangfoldsklynging og GCN-basert mangfoldsklynging. I denne sammenhengen undersøkte vi forskjellige metoder for å beregne brukersimilaritet, hvorav noen ble foreslått for første gang. For det tredjeutviklet vi konsensus- eller aggregeringsmetoder som kombinerer individuelle brukerpreferanser for å danne en helhetlig gruppepreferanseprofil, som er essensielt for å konstruere gruppeanbefalingsmodellen.

Bidrag: Hovedbidragene fra denne studien inkluderer: • Introduksjon av en entropibasert matrisefaktoriseringsteknikk for å forutsi manglende verdier i parvise preferansedatasett, som har bred anvendelse i gruppeanbefalingssystemer og gruppedynamikk. • Forslag til flere metoder for å forutsi brukersimilaritet ved bruk av parvise preferansedata, som viser høyere nøyaktighet sammenlignet med enkeltratingsdata. Disse similaritetsscorene ble beregnet ved hjelp av ulike metoder: 1. Brukersimilaritet basert på preferansegraf og grafkonvolusjonsnettverk (GCN). 2. Brukersimilaritet basert på brukervektorer hentet fra: a) Bruker-itemscores oppnådd fra matrisefaktorisering (MF). b) Brukerinnleiringsvektorer fra en trent matrisefaktoreringsmodell. c) Brukerinnleiringsvektorer fra vektene til et trent grafnevralnettverk. • Utvikling av klyngemetoder for å gruppere brukere med lignende preferanser for å fasilitere generering av rettferdige gruppeanbefalinger, som: 1. Dominant set klynging. 2. Mangfoldsbasert klynging, som minimerer brukermangfoldsscorer innenfor grupper. • Introduksjon av en konsensusmetode basert på brukerpersonligheter, som reflekterer virkelige scenarioer hvor brukerens bidrag til gruppebeslutninger avhenger av deres personlighetstrekk. • Utvikling av aggregeringsmetoder som tar hensyn til bidragene fra individuelle brukere i den endelige gruppedynamikken. Disse bidragene beregnes ved hjelp av konsepter som Shapley-verdi og Wonderful Life Utility.