[論文レビュー] Behavior-Contextualized Item Preference Modeling for Multi-Behavior Recommendation
本稿では、行動別に特化したアイテム意識的好みを学習するための行動文脈付きアイテム好みモデリング（BCIPM）を提案する。BCIPMは行動文脈付きアイテム好みネットワーク（BIPN）を用いて行動固有の好みを学び、グラフ畳み込みネットワーク（GCN）モジュールでそれを強化する。BCIPMは、補助的行動からのノイズを低減し、ターゲット行動への関連する好みのみを隔離・転送することで、4つの実世界データセットにおいて最先端の性能を達成し、HR@10およびNDCG@10の指標で顕著に優れた結果を示した。
In recommender systems, multi-behavior methods have demonstrated their effectiveness in mitigating issues like data sparsity, a common challenge in traditional single-behavior recommendation approaches. These methods typically infer user preferences from various auxiliary behaviors and apply them to the target behavior for recommendations. However, this direct transfer can introduce noise to the target behavior in recommendation, due to variations in user attention across different behaviors. To address this issue, this paper introduces a novel approach, Behavior-Contextualized Item Preference Modeling (BCIPM), for multi-behavior recommendation. Our proposed Behavior-Contextualized Item Preference Network discerns and learns users' specific item preferences within each behavior. It then considers only those preferences relevant to the target behavior for final recommendations, significantly reducing noise from auxiliary behaviors. These auxiliary behaviors are utilized solely for training the network parameters, thereby refining the learning process without compromising the accuracy of the target behavior recommendations. To further enhance the effectiveness of BCIPM, we adopt a strategy of pre-training the initial embeddings. This step is crucial for enriching the item-aware preferences, particularly in scenarios where data related to the target behavior is sparse. Comprehensive experiments conducted on four real-world datasets demonstrate BCIPM's superior performance compared to several leading state-of-the-art models, validating the robustness and efficiency of our proposed approach.
研究の動機と目的
- マルチ行動推薦における補助的行動からターゲット行動への好みの直接的転送によって生じるノイズを軽減すること。
- 各行動に特化した文脈付きのユーザー好みをモデル化し、各行動固有のアイテム意識的好みを捉えること。
- 初期埋め込みの事前学習を活用して、データが少ない状況でもアイテム意識的好み学習を豊かにすることで、推薦精度を向上させること。
- GCNモジュールを用いて行動固有の好みと高次近隣情報の信号を統合することで、ユーザー表現学習を強化すること。
- 多様な相互作用パターンを示す実世界データセットを用いた包括的な実験を通じて、提案手法の有効性を検証すること。
提案手法
- BCIPMは、各行動固有のアイテム意識的好みを学ぶために、行動文脈付きアイテム好みネットワーク（BIPN）を採用し、ターゲット行動に必要な行動関連の好みのみを保証する。
- モデルはすべての行動の相互作用データを統合した一様なグラフに統合し、GCN強化モジュールが全体の相互作用ネットワークをカバーする高次ユーザー近隣好みを捉える。
- 初期埋め込みを事前学習するモジュールを適用し、特にターゲット行動データがスパースな状況で、アイテム意識的好みの学習を豊かにする。
- 最終的なユーザー表現は、BIPNからの行動固有の好みとGCNモジュールからの協調信号を融合し、両者のバランスを制御する可学習ハイパーパrameter λ を用いる。
- モデルは、ターゲット行動と補助的行動の両方の損失を統合する最適化目的関数を用い、BIPNがターゲットタスクに必要なみだい信号のみを伝搬することを保証する。
- GCN強化モジュールは、すべての行動を統合した一様な相互作用グラフ上で動作し、行動別に分離しないことで、より豊かな協調信号抽出が可能になる。
実験結果
リサーチクエスチョン
- RQ1補助的行動とターゲット行動でユーザーの注目が異なる場合、直接的転送によって生じるノイズをどのように低減できるか？
- RQ2行動文脈付きのアイテム意識的好み学習は、マルチ行動設定における推薦性能をどの程度向上できるか？
- RQ3初期埋め込みの事前学習は、特にデータが少ない状況でアイテム意識的好みの学習を向上させることができるか？
- RQ4一様なGCNをマルチ行動相互作用データに適用する方法と、各行動ごとに別々のGCNを適用する方法とを比較した場合、性能と情報保持度にどのような差が生じるか？
- RQ5マルチ行動推薦において、行動固有の好み学習（BIPN）と協調信号抽出（GCN）の最適なバランスは何か？
主な発見
- BCIPMは4つの実世界データセットにおいて最先端の性能を達成し、すべてのベンチマークでHR@10およびNDCG@10の指標で顕著な改善を示した。
- Tmallデータセットでは、BCIPMはHR@10が0.1414、NDCG@10が0.0741を達成し、次善の手法と比べて顕著な優位性を示した。
- Taobaoデータセットでは、BCIPMはHR@10が0.1292、NDCG@10が0.0716を達成し、多様なユーザー相互作用パターンにわたる強力な一般化性能を示した。
- アブレーションスタディの結果、提案された集約戦略（agg.）は、別々のGCN操作法（sep.）を顕著に上回り、統合的グラフ学習の利点を裏付けた。
- パラメータ解析の結果、λを小さく（BIPNの影響を強調）することでより良い性能が得られ、行動文脈付きのアイテム好み学習が主な改善要因であることを確認した。
- Yelp や ML10M のようなスパースなデータセットにおいても、モデルの性能は特に頑健であり、事前学習と行動固有の好み学習がデータ不足の影響を緩和した。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。