Recently, event-based social networks(EBSN) such as Meetup, Plancast, and Douban have become popular. As users in the networks usually take groups as an unit to participate in events, it is necessary and meaningful to study effective strategies for recommending events to groups. Existing research on group event recommendation either has the problems of data sparse and cold start due to without considering of social relationships in the networks or makes the assumption that the influence weights between any pair of nodes in the user social graph are equal. In this paper, inspired by the graph neural network and attention mechanism, we propose a novel recommendation model named leveraging social relationship-based graph attention model (SRGAM) for group event recommendation. Specifically, we not only construct a user-event interaction graph and an event-user interaction graph, but also build a user-user social graph and an event-event social graph, to alleviate the problems of data sparse and cold start. In addition, by using a graph attention neural network to learn graph data, we can calculate the influence weight of each node in the graph, thereby generating more reasonable user latent vectors and event latent vectors. Furthermore, we use an attention mechanism to fuse multiple user vectors in a group, so as to generate a high-level group latent vector for rating prediction. Extensive experiments on real-world Meetup datasets demonstrate the effectiveness of the proposed model.

中文翻译：

---

利用基于社会关系的图注意力模型进行团体活动推荐

最近，基于事件的社交网络（EBSN），例如Meetup，Plancast和豆瓣，已经变得很流行。由于网络中的用户通常以小组为单位参加事件，因此研究有效的向小组推荐事件的策略是必要且有意义的。现有的关于团体事件推荐的研究或者由于没有考虑网络中的社交关系而具有数据稀疏和冷启动的问题，或者假设用户社交图中任意一对节点之间的影响权重相等。在本文中，受图神经网络和注意力机制的启发，我们提出了一种新颖的推荐模型，称为基于社交关系的图注意力模型（SRGAM），用于团体事件推荐。特别，我们不仅构造了用户-事件交互图和事件-用户交互图，而且构造了用户-用户社交图和事件-事件社交图，以缓解数据稀疏和冷启动的问题。此外，通过使用图注意力神经网络学习图数据，我们可以计算图中每个节点的影响权重，从而生成更合理的用户潜矢量和事件潜矢量。此外，我们使用一种注意力机制来融合一个组中的多个用户向量，从而生成用于评估等级的高级组潜在向量。在现实世界中的Meetup数据集上进行的大量实验证明了该模型的有效性。缓解数据稀疏和冷启动的问题。此外，通过使用图注意力神经网络学习图数据，我们可以计算图中每个节点的影响权重，从而生成更合理的用户潜矢量和事件潜矢量。此外，我们使用一种注意力机制将一组中的多个用户向量融合在一起，从而生成用于评估等级的高级组潜在向量。在现实世界中的Meetup数据集上进行的大量实验证明了该模型的有效性。缓解数据稀疏和冷启动的问题。此外，通过使用图注意力神经网络学习图数据，我们可以计算图中每个节点的影响权重，从而生成更合理的用户潜矢量和事件潜矢量。此外，我们使用一种注意力机制将一组中的多个用户向量融合在一起，从而生成用于评估等级的高级组潜在向量。在现实世界中的Meetup数据集上进行的大量实验证明了该模型的有效性。从而生成用于评估等级的高级组潜矢量。在现实世界中的Meetup数据集上进行的大量实验证明了该模型的有效性。从而生成用于评估等级的高级组潜矢量。在现实世界中的Meetup数据集上进行的大量实验证明了该模型的有效性。