[論文レビュー] Balancing Multi-level Interactions for Session-based Recommendation

Yujia Zheng, Siyi Liu+1 more|arXiv (Cornell University)|Oct 29, 2019

Recommender Systems and Techniques参考文献 36被引用数 14

ひとこと要約

本稿では、グラフニューラルネットワークを用いて、セッション内およびセッション間のアイテムレベルの相互作用を統合的にモデル化する、I3GNと呼ばれるセッションベース推薦モデルを提案する。個別のセッション内およびセッション間のグラフを構築し、アテンション機構を用いて寄与度をバランスさせることで、実世界のデータセットにおいて最先端の性能を達成し、単一セッション内の順序パターンを超えたクロスセッションアイテム相互作用を捉える価値を示している。

ABSTRACT

Predicting user actions based on anonymous sessions is a challenge to general recommendation systems because the lack of user profiles heavily limits data-driven models. Recently, session-based recommendation methods have achieved remarkable results in dealing with this task. However, the upper bound of performance can still be boosted through the innovative exploration of limited data. In this paper, we propose a novel method, namely Intra-and Inter-session Interaction-aware Graph-enhanced Network, to take inter-session item-level interactions into account. Different from existing intra-session item-level interactions and session-level collaborative information, our introduced data represents complex item-level interactions between different sessions. For mining the new data without breaking the equilibrium of the model between different interactions, we construct an intra-session graph and an inter-session graph for the current session. The former focuses on item-level interactions within a single session and the latter models those between items among neighborhood sessions. Then different approaches are employed to encode the information of two graphs according to different structures, and the generated latent vectors are combined to balance the model across different scopes. Experiments on real-world datasets verify that our method outperforms other state-of-the-art methods.

研究の動機と目的

• 既存のセッションベース推薦モデルが、セッション内順序パターンやセッションレベルの協調信号にのみ焦点を当てており、セッション間の細粒度なアイテムレベル相互作用を無視するという限界を是正すること。
• ユーザプロファイルが存在しない状況においても、異なるセッション内のアイテム間の複雑な関係であるセッション間アイテムレベル相互作用が、豊富な協調情報源としての可能性を有するかを検討すること。
• モデルの能力を、セッション内とクロスセッションの両方の相互作用スコープでバランスさせ、一方のタイプの相互作用が優勢になるのを防ぎ、全体の推薦性能を向上させること。
• セッション内およびセッション間のグラフ構造とアテンション機構を統合する包括的なフレームワークを構築し、セッションベース推薦の表現学習を強化すること。

提案手法

• アイテム遷移パターンを用いて、現在のセッション内のアイテムレベル相互作用をモデル化するためのセッション内グラフを構築する。
• セッション類似度に基づいて近隣セッションを特定し、これらのセッション間のアイテムを接続することで、セッション間のアイテム関係を捉えるセッション間グラフを構築する。
• グラフ畳み込みネットワーク（GCNs）を適用して、セッション内およびセッション間の両方のグラフからの構造的情報を符号化し、局所的およびグローバルな相互作用パターンを保持する。
• マルチヘッド自己アテンション機構を用いて、セッション間グラフ内の隣接ノードの重要性を動的に重み付けし、関連性の低いアイテムからのノイズを低減する。
• 両方のグラフからの符号化表現を、学習可能な統合機構を用いて組み合わせ、バランスの取れた包括的なセッション表現を生成する。
• アブレーションのバリエーションとして、平均プーリングとグラフベースの集約戦略を用い、アテンションとグラフ構造の性能への寄与度を評価する。

実験結果

リサーチクエスチョン

• RQ1 セッションレベルの類似度を超えて、セッション間のアイテムレベル相互作用が、セッションベース推薦において意味のある協調信号を提供できるか？
• RQ2 セッション内およびセッション間の相互作用を、単一の推薦フレームワーク内で効果的にモデル化し、バランスを取ることは可能か？
• RQ3 グラフ構造とアテンション機構のどちらが、セッション間の複雑なアイテムレベル相互作用を捉える上で相対的に寄与しているか？
• RQ4 セッション内およびセッション間のマルチレベル相互作用を統合することで、既存のSOTA手法に比べて一貫した性能向上が得られるか？
• RQ5 アテンションヘッドの数やグラフ畳み込み層の数といったハイパーパrameterに、モデルの性能がどれほど敏感か？

主な発見

• I3GNは、実世界のデータセットにおいて、すべての最先端手法を上回り、Recall@10およびMRRスコアで最高を記録し、前回のSOTAに対して最大5.2%の相対的改善を達成した。
• アブレーションスタディの結果、アテンション機構を削除したI3GN-avgでは顕著な性能低下が確認され、セッション間グラフにおける動的関連性重み付けの重要性が裏付けられた。
• アテンションは備えているがプーリングは使用しないI3GN-αは、プーリングは備えているがアテンションは使用しないI3GN-βよりも優れた性能を示し、ノイズの多い近隣ノードをフィルタリングする上で、アテンションベースの集約が平均プーリングよりも効果的であることが示された。
• グラフ構造とアテンションの両方を統合した完全なI3GNモデルが最良の性能を達成した。これは、適切なバランスを保ちながら、セッション内およびセッション間の相互作用をモデル化することで、優れた結果が得られることを証明している。
• 最適なグラフ畳み込み層の数は2であり、最適なアテンションヘッド数は8である。それ以上の値では、過学習や過剰平滑化のため、性能が低下する。
• セッション間グラフは意味のある協調信号を捉えている：現在のセッションに直接含まれないが、近隣セッションのアイテムが、次に起こる行動の予測に寄与しており、特に意味的または行動的に関連するアイテムでは顕著である。