[論文レビュー] A Survey on Knowledge Graph-Based Recommender Systems

Qingyu Guo, Fuzhen Zhuang+5 more|arXiv (Cornell University)|Feb 28, 2020

Recommender Systems and Techniques参考文献 94被引用数 25

ひとこと要約

本調査は、アイテム属性、ユーザ行動、関係データなどの付加的情報を統合することで、知識グラフが推薦の正確性と説明可能性をどのように向上させるかを分析し、知識グラフに基づくレコメンデーションシステムの包括的な概要を提供する。既存の手法を埋め込みベース、パスベース、統合型のアプローチに分類し、主要なデータセットを評価し、クロスドメイン推薦、知識強化型言語モデリング、ユーザ側情報統合といった重要な研究ギャップを特定する。

ABSTRACT

To solve the information explosion problem and enhance user experience in various online applications, recommender systems have been developed to model users preferences. Although numerous efforts have been made toward more personalized recommendations, recommender systems still suffer from several challenges, such as data sparsity and cold start. In recent years, generating recommendations with the knowledge graph as side information has attracted considerable interest. Such an approach can not only alleviate the abovementioned issues for a more accurate recommendation, but also provide explanations for recommended items. In this paper, we conduct a systematical survey of knowledge graph-based recommender systems. We collect recently published papers in this field and summarize them from two perspectives. On the one hand, we investigate the proposed algorithms by focusing on how the papers utilize the knowledge graph for accurate and explainable recommendation. On the other hand, we introduce datasets used in these works. Finally, we propose several potential research directions in this field.

研究の動機と目的

• データスパarsityやコールドスタートの課題に対処するため、知識グラフベースのレコメンデーションシステムにおける最近の進展を体系的かつ包括的に調査すること。
• アイテム属性、ユーザ行動、ソーシャル関係などの異種の付加的情報を統合することで、知識グラフが推薦の正確性をどのように向上させるかを分析すること。
• ユーザとアイテム間の解釈可能な関係パスを通じて、知識グラフが説明可能なレコメンデーションを可能にする役割を検討すること。
• 映画、書籍、ニュース、ECなど、さまざまなレコメンデーションシナリオに使用されるベンチマークデータセットを収集・分類すること。
• クロスドメインレコメンデーション、知識強化型言語表現、ユーザ側情報統合といった分野におけるオープンな研究課題を特定し、今後の研究方向性を提案すること。

提案手法

• 知識グラフベースのレコメンデーションシステムを、埋め込みベース、パスベース、統合型の3つの主要なアプローチに分類し、それぞれが知識グラフを異なる方法で活用していることを明らかにする。
• エンティティおよび関係の表現を学習するために使用される知識グラフ埋め込み（KGE）技術、例えば翻訳距離モデル（例：TransE）や意味的マッチングモデルをレビューする。
• ユーザとアイテム間の関係シーケンス（例：ユーザ → ジャンル → 映画）を抽出・利用するパスベース手法を分析する。
• グラフニューラルネットワーク（GNNs）を用いて、ユーザ・アイテム相互作用と知識グラフ構造を同時に最適化する統合フレームワークを検討する。
• Freebase、DBpedia、YAGO、GoogleのKnowledge Graphといった外部知識ソースのレコメンデーションパイプラインへの統合を評価する。
• データセットおよびアプリケーションドメインごとのモデル性能を比較し、アーキテクチャ選択と設計上のトレードオフを強調する。

実験結果

リサーチクエスチョン

• RQ1 知識グラフベースのレコメンデーションシステムは、従来の協調フィルタリングやコンテンツベース手法と比較して、どのように推薦の正確性を向上させるか？
• RQ2 解釈可能な関係パスを通じて、知識グラフは推薦の説明可能性をどのように向上させるか？
• RQ3 埋め込みベース、パスベース、統合型のアプローチには、それぞれどのような主な違いとトレードオフがあるか？
• RQ4 既存のモデルは、知識グラフフレームワーク内で、アイテム属性、ユーザの人口統計情報、ソーシャルネットワークといった付加的情報をどのように活用しているか？
• RQ5 特にクロスドメイン環境や知識強化型表現学習において、知識グラフベースのレコメンデーションにおける主なオープンチャレンジは何か？

主な発見

• 知識グラフベースのレコメンデーションシステムは、外部の関係的知識を用いてユーザおよびアイテムの表現を豊かにすることで、データスパarsityやコールドスタート問題を顕著に軽減する。
• パスベース手法は、関係シーケンス（例：ユーザ → ジャンル → 映画）を追跡することで、解釈可能なレコメンデーションを可能にし、推薦の根拠を透明に提示する。
• GNNを用いてユーザ・アイテム相互作用と知識グラフ構造を統合的に最適化する統合型モデルは、複数のベンチマークで単独の協調フィルタリングやコンテンツベースのベースラインを上回る性能を示す。
• 既存のモデルは主にアイテム側の情報に焦点を当てており、ソーシャルネットワークや人口統計データといったユーザ側の情報は十分に統合されていないため、研究ギャップが顕在化している。
• クロスドメインレコメンデーションは、異なるデータ密度を持つドメイン間で転移学習を活用することで、知識グラフの統合により顕著に向上する。
• 知識強化型言語表現技術（例：ERNIE、STCKA）は、テキストベースのレコメンデーションタスクにおいて有望な成果を示しているが、現在のモデル（例：DKN）はテキストとエンティティ埋め込みを独立した特徴として扱う傾向にあり、効果的な統合はなされていない。