[論文レビュー] Attentive Social Recommendation: Towards User And Item Diversities

Dongsheng Luo, Yuchen Bian+2 more|arXiv (Cornell University)|Nov 9, 2020

Recommender Systems and Techniques参考文献 30被引用数 5

ひとこと要約

本稿では、注目メカニズムを備えた新しいRec-conv層を用いて、ソーシャル要因、ユーザレーティング要因、アイテムレーティング要因を統合することで、ユーザとアイテムの多様性を同時にモデル化するグラフニューラルネットワークモデル、Attentive Social Recommendation (ASR) を提案する。さらに、『好意』と『否定』のレーティングを別々に処理するデコンポジション戦略を採用し、従来の手法よりも高速なトレーニングを実現しながら、最先端の性能を達成している。

ABSTRACT

Social recommendation system is to predict unobserved user-item rating values by taking advantage of user-user social relation and user-item ratings. However, user/item diversities in social recommendations are not well utilized in the literature. Especially, inter-factor (social and rating factors) relations and distinct rating values need taking into more consideration. In this paper, we propose an attentive social recommendation system (ASR) to address this issue from two aspects. First, in ASR, Rec-conv graph network layers are proposed to extract the social factor, user-rating and item-rated factors and then automatically assign contribution weights to aggregate these factors into the user/item embedding vectors. Second, a disentangling strategy is applied for diverse rating values. Extensive experiments on benchmarks demonstrate the effectiveness and advantages of our ASR.

研究の動機と目的

• ソーシャルレコメンデーションシステムにおけるユーザおよびアイテムの多様性モデリングの欠如を解消すること。
• ソーシャル、ユーザレーティング、アイテムレーティング要因からの寄与を動的に重み付けすることで、レコメンデーションの正確性を向上させること。
• レコメンデーショングラフにおける『好意』と『否定』のレーティングの異なる伝搬パターンをモデル化すること。
• 注目メカニズムと分離表現を用いることで、深層GNNにおける過剰スムージングを軽減すること。
• 特に深層アーキテクチャにおいて、性能を損なわず、高い効率性を達成すること。

提案手法

• ユーザ-ユーザおよびユーザ-アイテムグラフから、ソーシャル、ユーザレーティング、アイテムレーティング要因を抽出するため、GNN（GCNまたはGAT）を適用するRec-conv層を提案する。
• 埋め込み集約時に、3つの要因に動的重みを自動割り当てるためのユーザおよびアイテムの注目メカニズムを導入する。
• レーティンググラフを各レーティング値（例：1〜5）ごとのサブグラフに分割するデコンポジション戦略を採用し、各レーティングレベルごとに別々にGNN処理を実行する。
• 複数のRec-conv層をスタックすることで階層的表現を捉え、注目メカニズムとデコンポジションによる戦略で過剰スムージングを緩和する。
• 実世界のデータセット上でエンドツーエンドトレーニングを実行するため、標準的な損失関数（MAE、RMSE）を用いる。
• ソーシャルおよびレーティンググラフでGCNおよびGATの両方をサポートし、モデル構成要因のアブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 ソーシャル、ユーザレーティング、アイテムレーティング要因間の寄与を、ユーザおよびアイテム表現学習の向上に寄与するように動的に重み付けする方法は何か？
• RQ2 『好意』と『否定』のレーティングを分離することで、レコメンデーション性能がどの程度向上するか？
• RQ3 提案されたASRモデルは、深層GNNアーキテクチャにおける過剰スムージングを効果的に軽減できるか？
• RQ4 注目メカニズムとデコンポジション戦略は、それぞれモデル性能にどの程度寄与しているか？
• RQ5 最先端の深層学習ベースのソーシャルレコメンデーションモデルと比較して、ASRの計算効率はどの程度か？

主な発見

• ASRはCiaoおよびEpinionsの両データセットで最高の性能を達成し、CiaoではMAE 0.717、RMSE 0.962を記録し、すべてのベースラインを上回った。
• アブレーションスタディにより、レーティンググラフにおけるデコンポジション戦略が最も重要な要因であることが確認された。この戦略を除去すると、CiaoにおけるMAEが0.789に急増するなど、性能が著しく低下した。
• ASRは非常に効率的であり、DANSERやGraphRecと比較してトレーニングが5〜10倍速く、CiaoとEpinionsではそれぞれ1エポックあたり15.53秒および28.90秒のトレーニング時間を記録した。
• 過剰スムージングの軽減に効果的であることが示された：複数の層をスタックした際、ASRはGCN や DisGCN と比較して、より高いペairwise埋め込み距離を維持した。
• ソーシャルグラフでGCNの代わりにGATを使用したASR-w/-GS-GATバージョンも、元のASRと同等の性能を示し、GNNの選択に対してロバストであることを示した。
• 注目メカニズムとデコンポジション戦略の両方が不可欠であることが確認された。両方の要素を削除すると性能が著しく低下し、両者の必要性が裏付けられた。