[論文レビュー] A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation.

Le Wu, Xiangnan He+3 more|arXiv (Cornell University)|Apr 27, 2021

Recommender Systems and Techniques参考文献 198被引用数 26

ひとこと要約

本サーベイは、深層学習アーキテクチャではなく、データ利用に基づく統一的なフレームワークを提示する一方で、ニューラルレコメンデーションモデルを協調フィルタリング、コンテンツ拡張型、コンテキスト拡張型に体系的に分類する。主な進展を要約し、表現学習の強みを強調し、ベンチマーキング、グラフ推論、公平性・説明可能性のあるレコメンデーションを今後の重要な方向性として特定する。

ABSTRACT

Influenced by the stunning success of deep learning in computer vision and language understanding, research in recommendation has shifted to inventing new recommender models based on neural networks. In recent years, we have witnessed significant progress in developing neural recommender models, which generalize and surpass traditional recommender models owing to the strong representation power of neural networks. In this survey paper, we conduct a systematic review on neural recommender models, aiming to summarize the field to facilitate future progress. Distinct from existing surveys that categorize existing methods based on the taxonomy of deep learning techniques, we instead summarize the field from the perspective of recommendation modeling, which could be more instructive to researchers and practitioners working on recommender systems. Specifically, we divide the work into three types based on the data they used for recommendation modeling: 1) collaborative filtering models, which leverage the key source of user-item interaction data; 2) content enriched models, which additionally utilize the side information associated with users and items, like user profile and item knowledge graph; and 3) context enriched models, which account for the contextual information associated with an interaction, such as time, location, and the past interactions. After reviewing representative works for each type, we finally discuss some promising directions in this field, including benchmarking recommender systems, graph reasoning based recommendation models, and explainable and fair recommendations for social good.

研究の動機と目的

• 深層学習アーキテクチャ分類にとどまらず、データ駆動型の包括的かつ体系的な分類体系を提供すること。
• 既存のサーベイにおけるギャップを埋めるために、方法を協調的データ、コンテンツ、コンテキストの種別に基づいて整理し、研究者に明確なガイダンスを提供すること。
• ニューラルレコメンデーション分野における最近の進展を要約し、従来のモデルに比べて深層学習による表現力の向上を強調すること。
• ベンチマーキング、グラフベースの推論、倫理的レコメンデーションシステムを含む、新たな研究分野を特定・議論すること。
• 将来のイノベーションを支援するため、モデル設計におけるユーザー・アイテム相互作用、補助情報、コンテキスト信号の役割を明確にすること。

提案手法

• データの種別に基づき、ニューラルレコメンデーションモデルを3種類に分類：協調フィルタリング（ユーザー・アイテム相互作用）、コンテンツ拡張型（ユーザー／アイテムの補助情報）、コンテキスト拡張型（時間的・空間的・順序的コンテキスト）。
• 各カテゴリに属する代表的なモデルをレビューし、特定のデータタイプをどのように活用して推薦精度と一般化性能を向上させているかに焦点を当てる。
• 相互作用、コンテンツ、コンテキストデータから階層的かつ非線形な表現を学ぶために、深層ニューラルネットワークの使用を強調する。
• 埋め込み学習、アテンション機構、グラフニューラルネットワークなどのモデル設計パターンがレコメンデーションタスクの文脈でどのように機能するかを分析する。
• モデルアーキテクチャではなく、データモダリティを優先するフレームワークを提唱し、分野の理解と整理を支援する。
• 知識グラフの統合と順序モデリングを活用し、コンテンツおよびコンテキスト対応レコメンデーションの性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 深層学習アーキテクチャではなく、利用するデータの種別に基づいて、ニューラルレコメンデーションモデルを体系的に分類する方法は何か？
• RQ2 協調フィルタリング、コンテンツ拡張型、コンテキスト拡張型のレコメンデーションパラダイムにおける主な進展と代表的なモデルは何か？
• RQ3 ユーザーのプロフィールやアイテム属性などの補助情報、および時間や場所などのコンテキスト信号は、どのように推薦性能を向上させるか？
• RQ4 ベンチマーキング、グラフ推論、公平性といった分野において、今後の有望な研究方向性は何か？
• RQ5 ニューラルモデルは、従来の協調フィルタリングやコンテンツベース手法に比べて、表現学習および一般化性能においてどのような点で優れているか？

主な発見

• ニューラルレコメンデーションモデルは、ユーザー・アイテム相互作用の表現学習能力に優れるため、従来の手法を著しく上回る性能を示す。
• ユーザーのプロフィールやアイテムの知識グラフといった補助情報を組み込むことで、コンテンツ拡張型モデルの精度とパーソナライゼーション性能が向上する。
• 時間的・空間的・順序的コンテキストを考慮するコンテキスト拡張型モデルは、動的環境下での推薦の関連性を向上させる。
• グラフニューラルネットワークと知識グラフの統合は、コンテンツおよびコンテキスト対応レコメンデーションにおける複雑な関係性のモデリングに強力なツールとして浮上している。
• ベンチマーキング、説明可能性、公平性は、健全かつ倫理的な展開を確保するため、今後さらに研究を要する未発展分野として特定されている。
• データタイプに基づく分類体系は、アーキテクチャ中心の分類に比べ、研究者や実務家にとってより説得力があり実用的なフレームワークを提供する。