[論文レビュー] Adaptive Graph Contrastive Learning for Recommendation

Yangqin Jiang, Chao Huang+1 more|arXiv (Cornell University)|May 18, 2023

Recommender Systems and Techniques被引用数 8

ひとこと要約

AdaGCLは2つの trainable view generators（グラフ生成モデルとグラフデノイズィング）を導入し、グラフベースの協調フィルタリングの適応的対照ビューを作成して、ノイズや疎性のあるデータ下で推奨性能を向上させる。

ABSTRACT

Graph neural networks (GNNs) have recently emerged as an effective collaborative filtering (CF) approaches for recommender systems. The key idea of GNN-based recommender systems is to recursively perform message passing along user-item interaction edges to refine encoded embeddings, relying on sufficient and high-quality training data. However, user behavior data in practical recommendation scenarios is often noisy and exhibits skewed distribution. To address these issues, some recommendation approaches, such as SGL, leverage self-supervised learning to improve user representations. These approaches conduct self-supervised learning through creating contrastive views, but they depend on the tedious trial-and-error selection of augmentation methods. In this paper, we propose a novel Adaptive Graph Contrastive Learning (AdaGCL) framework that conducts data augmentation with two adaptive contrastive view generators to better empower the CF paradigm. Specifically, we use two trainable view generators - a graph generative model and a graph denoising model - to create adaptive contrastive views. With two adaptive contrastive views, AdaGCL introduces additional high-quality training signals into the CF paradigm, helping to alleviate data sparsity and noise issues. Extensive experiments on three real-world datasets demonstrate the superiority of our model over various state-of-the-art recommendation methods. Our model implementation codes are available at the link https://github.com/HKUDS/AdaGCL.

研究の動機と目的

• グラフベースの協調フィルタリングにおけるデータノイズと疎性に対処する。
• 過学習とモデル崩壊を抑制するための2つの trainable view generators を用いた適応的自己教師付き学習を導入する。
• 適応的対照ビューを通じてGNNベースの推奨システムの頑健性と一般化能力を向上させる。
• 実世界データセット上で最先端ベースラインに対する実証的な利得を示す。

提案手法

• LightGCNに類似する局所的なグラフメッセージパッシングエンコーダを用いてユーザー/アイテム埋め込みを学習する。
• 2つの trainable view generators を導入する：グラフ生成モデル（VGAEベース）とグラフデノイズィングモデルで適応的対照ビューを生成する。
• 同一ノードビューからの正対と異なるノードからの負対を用いてユーザー・アイテム表現上で対照学習を適用する。
• 情報量豊かなビュー生成を奨励するためにBPRガイド付き目的関数と正則化項を用いて生成ビューとデノイズビューを訓練する。
• 上位レベルのマルチタスク設定でメインCF目的とSSL目的を共同最適化し、下位レベルのビュー生成器の目的も同時に最適化する。
• ノイズの多いエッジをフィルタリングしてデノイズ済みビューを生成するエッジに値するマスクを学習するデノイジング層を組み込む。

実験結果

リサーチクエスチョン

• RQ1 AdaGCLは実世界データセットにおいて最先端の推奨システムと比較してどのような性能を示すか。
• RQ2 適応的ビュー、VGAE生成器、デノイズビューの各成分が全体性能に対してどの程度寄与するか。
• RQ3 AdaGCLはベースラインよりノイズが多く疎なデータを効果的に扱えるか。
• RQ4 AdaGCLの主要なハイパーパラメータは性能にどのように影響するか。

主な発見

• AdaGCLはLast.FM、Yelp、BeerAdvocateデータセットにおいてRecall@20/40およびNDCG@20/40で複数のベースラインを上回る。
• 2つの適応的ビュー生成器はモデル崩壊を回避し、多様で有益なSSLシグナルを提供する。
• 生成ビューとデノイズビューはデータパターンを捉えつつノイズを低減することで互補的に機能する。
• 適応ビューによる自己教師付き拡張は非適応またはランダム拡張手法よりも一貫した改善をもたらす。
• アブレーション研究により、適応成分が性能向上に意味のある寄与をすることが示される。