[論文レビュー] A Survey of Graph Neural Networks for Social Recommender Systems
本サーベイは、ソーシャルレコメンデーションシステムにおけるグラフニューラルネットワーク（GNN）の包括的分析を提供し、アテンションベース、ファージョン、ハイアラルキカル、タイムリーなモデルなど、GNNアーキテクチャを分類するとともに、異種リンク強度、時間的ダイナミクス、グローバルな好みといったユーザーソシオロジーの概念を扱う。アテンション機構が最も一般的なアーキテクチャ的要素であることが特定され、弱い繋がりや双方向 vs. 単方向のソーシャルネットワークといった、未だ十分に検討されていない分野が、今後の研究の主要な方向性として強調されている。
Social recommender systems (SocialRS) simultaneously leverage the user-to-item interactions as well as the user-to-user social relations for the task of generating item recommendations to users. Additionally exploiting social relations is clearly effective in understanding users' tastes due to the effects of homophily and social influence. For this reason, SocialRS has increasingly attracted attention. In particular, with the advance of graph neural networks (GNN), many GNN-based SocialRS methods have been developed recently. Therefore, we conduct a comprehensive and systematic review of the literature on GNN-based SocialRS. In this survey, we first identify 84 papers on GNN-based SocialRS after annotating 2151 papers by following the PRISMA framework (preferred reporting items for systematic reviews and meta-analyses). Then, we comprehensively review them in terms of their inputs and architectures to propose a novel taxonomy: (1) input taxonomy includes 5 groups of input type notations and 7 groups of input representation notations; (2) architecture taxonomy includes 8 groups of GNN encoder notations, 2 groups of decoder notations, and 12 groups of loss function notations. We classify the GNN-based SocialRS methods into several categories as per the taxonomy and describe their details. Furthermore, we summarize benchmark datasets and metrics widely used to evaluate the GNN-based SocialRS methods. Finally, we conclude this survey by presenting some future research directions. GitHub repository with the curated list of papers are available at https://github.com/claws-lab/awesome-GNN-social-recsys.
研究の動機と目的
- GNNベースのソーシャルレコメンデーションシステムにおけるアーキテクチャの多様性とソシオロジカルモデリングに焦点を当て、GNNに基づく手法を体系的に調査すること。
- アテンション、ファージョン、ハイアラルキカル、タイムリーなモデルを含む、ソーシャルレコメンデーションで用いられる主要なGNNアーキテクチャを特定・分類すること。
- 異種リンク強度、時間的進化、グローバルな好みといったユーザーソシオロジー概念が、GNNベースのレコメンデーションシステムにどのように統合されているかを分析すること。
- 弱い繋がりやプラットフォーム固有のダイナミクス（例：Facebook対Twitter）といった、現在の研究におけるギャップを特定し、今後の研究方向性を提案すること。
- GNNアーキテクチャとユーザーソシオロジー要因の分類を確立し、GNNベースのソーシャルレコメンデーション分野における今後の研究の基盤となるリファレンスを提供すること。
提案手法
- 2009年以降に発表された論文で、タイトルまたはアブストラクトに「social」「graph」「recommendation」を含むものを対象とし、Scopusデータベースを用いてPRISMAフレームワークに従って体系的な文献レビューを実施した。
- 事前に定義された含む基準を用いて、初期の1958件の結果を「はい」「いいえ」「おそらく」の3つの関連性カテゴリに手動でラベル付けし、最終的に41件の関連論文のキュレートされたセットを構成した。
- モデル設計およびコンponent統合に基づき、アテンションベース、ファージョンベース、アイテムをノードとする、ハイアラルキカル、タイムリー、相互的（mutualistic）のカテゴリに分類してGNNアーキテクチャを分類した。
- 異種リンク強度、時間的ダイナミクス、グローバルな好みモデリングといった次元にユーザーソシオロジー概念をマッピングし、その出現頻度と影響を分析した。
- 代表的なモデル（例：GraphRec、HIDM、ASR、GAT-NSR）の詳細な分析を含め、2つの分類体系（GNNアーキテクチャとユーザーソシオロジー要因）に統合した。
- アテンションと他のコンponent（例：ハイアラルキカルまたはタイムリー構造）の頻繁な組み合わせといった、横断的なトレンドを特定し、構造的革新を示すモデルを強調した。
実験結果
リサーチクエスチョン
- RQ1GNNベースのソーシャルレコメンデーションシステムで用いられる支配的なアーキテクチャ設計は何か？ また、それらは構造的・コンponent統合の観点でどのように異なるか？
- RQ2異種リンク強度、時間的ダイナミクス、グローバルな好みといったユーザーソシオロジー概念は、GNNフレームワーク内でどのようにモデリングされているか？
- RQ3一般的に用いられるアーキテクチャ的コンponent（例：アテンション、ファージョン、時間的モデリング）は何か？ また、最先端のモデルではそれらがどのように統合されているか？
- RQ4現在の文献において未だ十分に検討されていないユーザーソシオロジー要因は何か？ そして、それらが将来のレコメンデーションのパーソナライゼーションに与える影響は何か？
- RQ5プラットフォーム固有の特性（例：双方向 vs. 単方向のソーシャルネットワーク）は、GNNベースのソーシャルレコメンデーションシステムの設計と効果にどのように影響を与えるか？
主な発見
- アテンション機構が最も広く採用されており、ソーシャルグラフ内の異なるノードの影響を動的に重みづけ可能にしている。
- 大多数のモデルが複数のアーキテクチャ的コンセプト（例：アテンションとハイアラルキカルまたは時間的構造の組み合わせ）を統合しており、ハイブリッドで多様なコンponentを持つ設計への傾向が顕著である。
- 異種リンク強度のモデリングは、社会的影響の度合いの違いを捉える上で重要な要因であり、HeteroGraphRec や ASR といったモデルがこの手法によりパフォーマンスを向上させている。
- 時間的モデリングはGNNにますます統合されており、TGRec や EGFRec といったモデルは、進化するユーザーフレファレンスとソーシャルダイナミクスを捉える上で性能が向上している。
- アテンションやファージョンモデルの普及にもかかわらず、弱い繋がりやプラットフォーム固有のソーシャルダイナミクスを検討した研究はわずかにとどまっていることから、顕著な研究ギャップが明らかになった。
- 本サーベイは41件の関連論文を特定し、GNNアーキテクチャとユーザーソシオロジー要因の2つの包括的な分類体系を構築した。これらは、今後のGNNベースのソーシャルレコメンデーション研究の基盤となる。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。