[論文レビュー] Basket Recommendation with Multi-Intent Translation Graph Neural Network

Zhiwei Liu, Xiaohan Li+4 more|arXiv (Cornell University)|Oct 22, 2020

Recommender Systems and Techniques参考文献 38被引用数 4

ひとこと要約

本稿では、翻訳ベースのエンティティモデリングとグラフニューラルネットワークを用いて、複数の潜在的意図を学習することで、バスケット推薦をモデル化するマルチインテント翻訳グラフニューラルネットワーク（MITGNN）を提案する。本手法は、バスケット間の複雑な多関係的アイテム相関を捉えることで、推論的および帰納的設定の両方で既存手法を上回る性能を発揮する。

ABSTRACT

The problem of basket recommendation~(BR) is to recommend a ranking list of items to the current basket. Existing methods solve this problem by assuming the items within the same basket are correlated by one semantic relation, thus optimizing the item embeddings. However, this assumption breaks when there exist multiple intents within a basket. For example, assuming a basket contains \{ extit{bread, cereal, yogurt, soap, detergent}\} where \{ extit{bread, cereal, yogurt}\} are correlated through the "breakfast" intent, while \{ extit{soap, detergent}\} are of "cleaning" intent, ignoring multiple relations among the items spoils the ability of the model to learn the embeddings. To resolve this issue, it is required to discover the intents within the basket. However, retrieving a multi-intent pattern is rather challenging, as intents are latent within the basket. Additionally, intents within the basket may also be correlated. Moreover, discovering a multi-intent pattern requires modeling high-order interactions, as the intents across different baskets are also correlated. To this end, we propose a new framework named as extbf{M}ulti- extbf{I}ntent extbf{T}ranslation extbf{G}raph extbf{N}eural extbf{N}etwork~({ extbf{MITGNN}}). MITGNN models $T$ intents as tail entities translated from one corresponding basket embedding via $T$ relation vectors. The relation vectors are learned through multi-head aggregators to handle user and item information. Additionally, MITGNN propagates multiple intents across our defined basket graph to learn the embeddings of users and items by aggregating neighbors. Extensive experiments on two real-world datasets prove the effectiveness of our proposed model on both transductive and inductive BR. The code is available online at https://github.com/JimLiu96/MITGNN.

研究の動機と目的

• バスケット内のアイテム間の単一の意味的関係を仮定する既存のバスケット推薦モデルの限界に対処すること。
• アイテムが複数の潜在的意図（例：朝食、掃除）に属する可能性がある、複雑なマルチインテントパターンをモデル化すること。
• ユーザーが定義するバスケットグラフを介して、複数の意図を伝達することで、バスケット間の高次相互作用を捉えること。
• 未観測のバスケット用に専用のアグリゲーターを訓練することで、有効な帰納的学習を可能にし、一般化を向上させること。
• タイプガイドドアテンションメカニズムを用いて、意図の関係とユーザ-アイテム相互作用を同時にモデル化することで、推薦性能を向上させること。

提案手法

• 各バスケットをヘッドエンティティとしてモデル化し、翻訳を用いてT個の異なる意図ベクトル（テイルエンティティ）を学習する：q_i = h + r_i、ここでr_iは学習可能な関係ベクトルである。
• マルチヘッドアテンション機構を用いて、ユーザーやアイテムの情報を関係ベクトルに集約し、多様な意味的関係を捉える。
• ノードがバスケットを表し、エッジが共有アイテムや意図を表すバスケットグラフを構築し、バスケット間でのメッセージパッシングを可能にする。
• マルチレイヤーGNNの伝搬を適用して、近隣情報の集約を行い、ユーザーやアイテム、意図の両方の強化された埋め込みを学習する。
• タイプガイドドアテンションを統合し、隠れ意図をユーザーガイドドおよびアイテムガイドドのバスケット埋め込みに選択的に集約し、後続の推薦に活用する。
• 意図発見と推薦性能の両方を最適化するため、コントラスト学習の目的関数を用いてモデルをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 単一関係の仮定と比較して、バスケット内に複数の潜在的意図をモデル化することは、バスケット推薦性能を向上させるか？
• RQ2 バスケット間の高次相互作用は、学習された意図および埋め込み表現の質にどのように影響するか？
• RQ3 バスケット推薦の文脈において、GNNアーキテクチャの最適な意図数とレイヤー数は何か？
• RQ4 本稿で提案するMITGNNフレームワークは、トレーニング時に未観測であったテストバスケットに対しても一般化性能を発揮するか？
• RQ5 関係ベクトルとアテンションメカニズムは、バスケット間で補完的で相関のある意図をどのように捉えているか？

主な発見

• MITGNNは、実世界の2つのデータセット（InstacartとWalmart）において、推論的および帰納的バスケット推薦タスクの両方で最先端の性能を達成する。
• 単一意図モデル（T = 1）と比較して、複数の意図（T > 1）をモデル化することで性能が顕著に向上し、Instacartでは最適なT = 3、WalmartではT = 4が得られた。
• L = 3レイヤーでピーク性能を記録しており、これは高次元のメッセージパッシングが表現学習を強化することを示唆しているが、L = 4では過剰平滑化のため性能が低下した。
• Walmartデータでは、帰納的BRの性能が推論的BRを上回っており、これは帰納的設定が1バスケットあたりの正解アイテムの87.5％を保持しているため、予測が容易であるためである。
• 学習されたアグリゲーターとマルチインテントモデリングのおかげで、MITGNNはTriple2Vec、BPR-MF、DREAMといった強力なベースラインを上回り、特に帰納的設定で顕著な優位性を示す。
• タイプガイドドアテンションメカニズムは、ユーザーやアイテム固有の意図パターンを効果的に捉えており、ユーザーやアイテムの埋め込みの質を向上させている。