[論文レビュー] Beyond Clicks: Modeling Multi-Relational Item Graph for Session-Based Target Behavior Prediction

Wen Wang, Wei Zhang+5 more|arXiv (Cornell University)|Feb 19, 2020

Recommender Systems and Techniques参考文献 34被引用数 6

ひとこと要約

本稿では、クリックや購入などの複数の行動タイプにわたるグローバルなアイテム同士の関係をモデル化することで、セッションベースのターゲット行動予測を向上させる、多関係性グラフニューラルネットワークであるMGNN-SPredを提案する。マルチリレーショナルアイテムグラフ（MRIG）を構築し、ターゲット行動と補助的行動からの表現をゲーティング機構を用いて融合することで、2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、購入などのスパarselyなが重要な行動を活用する価値を示した。

ABSTRACT

Session-based target behavior prediction aims to predict the next item to be interacted with specific behavior types (e.g., clicking). Although existing methods for session-based behavior prediction leverage powerful representation learning approaches to encode items' sequential relevance in a low-dimensional space, they suffer from several limitations. Firstly, they focus on only utilizing the same type of user behavior for prediction, but ignore the potential of taking other behavior data as auxiliary information. This is particularly crucial when the target behavior is sparse but important (e.g., buying or sharing an item). Secondly, item-to-item relations are modeled separately and locally in one behavior sequence, and they lack a principled way to globally encode these relations more effectively. To overcome these limitations, we propose a novel Multi-relational Graph Neural Network model for Session-based target behavior Prediction, namely MGNN-SPred for short. Specifically, we build a Multi-Relational Item Graph (MRIG) based on all behavior sequences from all sessions, involving target and auxiliary behavior types. Based on MRIG, MGNN-SPred learns global item-to-item relations and further obtains user preferences w.r.t. current target and auxiliary behavior sequences, respectively. In the end, MGNN-SPred leverages a gating mechanism to adaptively fuse user representations for predicting next item interacted with target behavior. The extensive experiments on two real-world datasets demonstrate the superiority of MGNN-SPred by comparing with state-of-the-art session-based prediction methods, validating the benefits of leveraging auxiliary behavior and learning item-to-item relations over MRIG.

研究の動機と目的

• 既存のセッションベースの推薦モデルがターゲット行動シーケンスにのみ依存し、補助的行動データを無視するという制限を解決すること。
• 複数の行動タイプにわたるアイテム同士の関係をグローバルかつ原理的（一貫性のある）に符号化する方法の欠如を克服すること。
• より豊富な行動信号を活用することで、スパarselyだが重要なターゲット行動（例：購入、共有）の予測精度を向上させること。
• グラフニューラルネットワークを用いて、ターゲット行動と補助的行動の両方のシーケンスにおけるユーザーの好みを統合的にモデル化するフレームワークを構築すること。

提案手法

• すべてのユーザー行動シーケンスからマルチリレーショナルアイテムグラフ（MRIG）を構築し、ノードをアイテム、エッジを異なる行動タイプ（例：クリック、購入）として定義する。
• グラフニューラルネットワーク（GNN）を用いてMRIG上で表現を伝搬させ、グローバルに高次のアイテム同士の関係を捉える。
• MRIG内の別々のサブグラフを用いて、ターゲット行動と補助的行動の両方のシーケンスに対して、個別のユーザー好みの表現を学習する。
• 学習可能なゲーティング機構を適用し、ターゲット行動と補助的行動の表現を適応的に統合して、統一されたユーザー好みのベクトルを生成する。
• 交差エントロピー損失を用いて、ターゲット行動シーケンスの次のアイテムを予測するように、モデルをエンドツーエンドで訓練する。

Figure 1. The architecture of our model. We use a toy MRIG and two current behavior sequences as input. The number of recommended items is set to 2.

実験結果

リサーチクエスチョン

• RQ1 補助的行動シーケンス（例：クリック）を組み込むことで、購入などのスパarselyなターゲット行動の予測性能が向上するか？
• RQ2 複数の行動タイプにわたるグローバルなアイテム同士の関係をモデル化することは、ローカルで行動シーケンス固有のモデル化よりも、より優れたセッションベースの推薦をもたらすか？
• RQ3 提案されたゲーティング機構は、ターゲット行動と補助的行動の両方のシーケンス表現を統合するのにどの程度効果的か？
• RQ4 GNNの深さとシーケンス長は、提案されたフレームワークにおけるモデル性能にどのような影響を与えるか？

主な発見

• MGNN-SPredは、WeChatおよびYooChooseの両データセットで最先端の性能を達成し、H@100、M@100、N@100の指標において、既存のSOTA手法を上回った。
• アブレーションスタディにより、補助的行動エッジを削除した場合（w/o ae）に性能が低下することが確認され、補助的データの利点が裏付けられた。
• 補助的サブグラフのモデリングを削除した場合（w/o asg）に顕著な性能低下が生じ、補助的シーケンスの別個的モデリングの重要性が示された。
• ゲーティング機構を単純な加算に置き換えた場合（w/o g）に性能が低下し、適応的統合の有効性が裏付けられた。
• GNNの深さが2まで増加するとモデル性能が向上するが、3を超えると劣化するため、最適な表現伝搬深さが存在することが示された。
• WeChatとYooChooseでは、最適なシーケンス長が異なり、データセット間での平均セッション長の違いが反映された。