面向群组推荐的双层超图表示学习

基于摘要分析。本文研究群组推荐（Group Recommendation，GR），提出双层超图表示学习模型 DHRL，以用户—物品、群组—物品和群组—群组交互共同建模群组偏好，旨在缓解偏好聚合对群组构成考虑不足及群组—物品交互稀疏的问题。 机制上，成员级超图卷积网络从用户—物品交互中学习成员个人偏好；群组级超图卷积网络结合群组—物品及群组—群组交互捕获群组偏好。模型进一步联合训练群组推荐与用户推荐任务，以利用两类任务的信息缓解稀疏性。摘要未说明超边构造、两级表示的融合方式、损失形式与任务权重，相关实现尚未验证。 作者报告，与若干先进方法相比，DHRL 在 HR、NDCG 评价下体现了有效性，并具有计算效率优势；但摘要未给出数据集、划分协议、指标截断位置、具体数值及效率测量条件，因此尚不能判断增益大小或适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 方法研究参考的假设，是用两级超图分别表达通道间高阶关系及试次或被试间关系，再用辅助任务缓解标注稀疏；这不是原论文验证过的应用。原方法依赖用户、群组及物品之间的交互结构，迁移时需重新定义 EEG 节点、超边和监督目标，而不能直接套用推荐关系。低信噪比、通道配置差异、跨被试异质性及小数据均可能使超边不稳定。一个可证伪的小实验是在固定跨被试划分下，对照单级与双层超图，并控制参数规模、单独检验辅助任务是否带来增益；被试间建图需严格限定可用数据。相关 EEG 工作尚未检索确认。