[論文レビュー] A Neural Influence Diffusion Model for Social Recommendation

Le Wu, Peijie Sun+4 more|arXiv (Cornell University)|Apr 20, 2019

Recommender Systems and Techniques参考文献 38被引用数 30

ひとこと要約

この論文では、ソーシャルネットワークにおける再帰的で自己整合的な社会的影響拡散をシミュレートすることで、ソーシャルレコメンデーションのためのユーザーやアイテム埋め込み学習を向上させる、DiffNetと呼ばれる深層ニューラル影響拡散モデルを提案する。グローバルネットワーク全体にわたる信頼できるユーザーよりも層ごとの影響拡散をモデル化することで、2つの実世界データセットにおいて、最先端のベースラインよりNDCG@10で13%以上の相対的改善を達成した。

ABSTRACT

Precise user and item embedding learning is the key to building a successful recommender system. Traditionally, Collaborative Filtering(CF) provides a way to learn user and item embeddings from the user-item interaction history. However, the performance is limited due to the sparseness of user behavior data. With the emergence of online social networks, social recommender systems have been proposed to utilize each user's local neighbors' preferences to alleviate the data sparsity for better user embedding modeling. We argue that, for each user of a social platform, her potential embedding is influenced by her trusted users. As social influence recursively propagates and diffuses in the social network, each user's interests change in the recursive process. Nevertheless, the current social recommendation models simply developed static models by leveraging the local neighbors of each user without simulating the recursive diffusion in the global social network, leading to suboptimal recommendation performance. In this paper, we propose a deep influence propagation model to stimulate how users are influenced by the recursive social diffusion process for social recommendation. For each user, the diffusion process starts with an initial embedding that fuses the related features and a free user latent vector that captures the latent behavior preference. The key idea of our proposed model is that we design a layer-wise influence propagation structure to model how users' latent embeddings evolve as the social diffusion process continues. We further show that our proposed model is general and could be applied when the user~(item) attributes or the social network structure is not available. Finally, extensive experimental results on two real-world datasets clearly show the effectiveness of our proposed model, with more than 13% performance improvements over the best baselines.

研究の動機と目的

• 一階近傍集約に依存するが、再帰的影響拡散をモデル化しない既存のソーシャルレコメンデーションモデルの限界を解決すること。
• ユーザーやアイテムの特徴が不足する状況でも、動的かつグローバルに拡散する社会的影響をシミュレートすることで、データスパarsityに直面するユーザーエンベッディング学習を改善すること。
• ユーザーやアイテムの特徴、あるいはソーシャルネットワーク構造が利用不可であっても、効果的に動作可能な柔軟でエンドツーエンドの深層学習フレームワークを構築すること。
• スケーラブルで効率的なニューラルアーキテクチャを通じて、再帰的影響拡散が進化するユーザープreferencesを捉える有効性を実証すること。

提案手法

• 以前の拡散層からの信頼できる近隣ユーザーベクトルに基づいて、再帰的にユーザーエンベッディングを更新する層別影響拡散メカニズムを提案する。
• 各ユーザーベクトルを、ユーザ固有の特徴と内在的好みを表す学習可能な潜在ベクトルの融合で初期化する。
• グラフ畳み込みに類似した操作を用いて、社会的ネットワーク全体にわたる影響を伝搬させ、各層が徐々に遠く離れた信頼できるユーザーよりも高次の影響を捉えるようにする。
• 汎用的でエンドツーエンドで学習可能なモデルを設計し、ユーザーやアイテムの属性、あるいはソーシャルネットワーク構造が存在しない状況でも動作可能であるようにする。
• グラフニューラルネットワークにインspiredされたメッセージパッシング機構を用いて、複数の拡散層にわたる近隣からの影響を集約する。
• 学習済みエンベッディングの内積による予測されたユーザ-アイテム相互作用を最適化する協調フィルタリング目的関数を用いてモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 信頼できるユーザーネットワークの複数層にわたる再帰的影響拡散をモデル化することで、スパースなソーシャルレコメンデーション環境におけるユーザーエンベッディングの質が向上するか？
• RQ2 一階近隣のみを用いる伝統的なモデルや静的ソーシャル正則化を用いるモデルと比較して、深層的影響拡散モデルの性能はどの程度優れているか？
• RQ3 ユーザーやアイテムの特徴、あるいはソーシャルネットワーク構造が利用不可な状況でも、提案されたモデルがどの程度一般化できるか？
• RQ4 層別影響拡散メカニズムは、実世界のソーシャルネットワークにおける再帰的拡散を通じて、進化するユーザーメタ認知を効果的に捉えているか？

主な発見

• DiffNetは、2つの実世界データセットにおいて、最良のベースラインよりNDCG@10で13%以上の相対的改善を達成しており、Flickrデータセットでは15%の改善を示した。
• モデルは、一階近隣モデルが活用できない高次の社会的影響パターンを捉えることで、優れた性能を発揮した。
• 影響拡散メカニズムは、再帰的伝搬を通じて進化するユーザープreferencesを効果的にモデル化し、より正確で動的かつ柔軟なユーザーエンベッディングを実現した。
• DiffNetは計算的にも効率的でスケーラブルであり、ユーザーやアイテムの属性、あるいは完全なソーシャルネットワーク構造がなくても、強力な性能を維持した。
• アブレーションスタディの結果、再帰的層別伝搬が不可欠であることが確認され、これを除去すると性能が著しく低下した。
• モデルはさまざまなデータ設定にわたって良好に一般化し、特徴やネットワーク構造が欠落している場合でも、頑健な性能を示した。