[論文レビュー] Bi-Preference Learning Heterogeneous Hypergraph Networks for Session-based Recommendation

Xiaokun Zhang, Bo Xu+4 more|arXiv (Cornell University)|Nov 2, 2023

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、三重レベルの畳み込みとマルチタスク学習を用いて、ユーザーの関心と価格志向を統合的にモデル化する、新しいセッションベース推薦モデルであるBiPNetを提案する。アイテムID、価格、カテゴリ、ブランドを統合されたハイパーグラフ構造に統合することで、実世界のデータセットにおいて最先端の性能を達成し、複雑なユーザーの意図を捉える。

ABSTRACT

Session-based recommendation intends to predict next purchased items based on anonymous behavior sequences. Numerous economic studies have revealed that item price is a key factor influencing user purchase decisions. Unfortunately, existing methods for session-based recommendation only aim at capturing user interest preference, while ignoring user price preference. Actually, there are primarily two challenges preventing us from accessing price preference. Firstly, the price preference is highly associated to various item features (i.e., category and brand), which asks us to mine price preference from heterogeneous information. Secondly, price preference and interest preference are interdependent and collectively determine user choice, necessitating that we jointly consider both price and interest preference for intent modeling. To handle above challenges, we propose a novel approach Bi-Preference Learning Heterogeneous Hypergraph Networks (BiPNet) for session-based recommendation. Specifically, the customized heterogeneous hypergraph networks with a triple-level convolution are devised to capture user price and interest preference from heterogeneous features of items. Besides, we develop a Bi-Preference Learning schema to explore mutual relations between price and interest preference and collectively learn these two preferences under the multi-task learning architecture. Extensive experiments on multiple public datasets confirm the superiority of BiPNet over competitive baselines. Additional research also supports the notion that the price is crucial for the task.

研究の動機と目的

• 購入意思決定において重要な役割を果たすが、従来のセッションベース推薦（SBR）で無視されがちなユーザーの価格志向を、埋め込むこと。
• カテゴリーやブランドといったアイテム特徴と深く関連する価格志向をモデル化する課題を克服すること。
• マルチタスク学習フレームワークを通じて、ユーザーの関心と価格志向の相互依存関係を捉え、同時に両方の志向を学習すること。
• 異種情報（ID、価格、カテゴリ、ブランド）を1つのハイパーグラフ構造に統合するスケーラブルで表現力のあるアーキテクチャを開発すること。
• 実世界のデータセットを用いた広範なアブレーションと分析を通じて、SBRにおける価格の実用的意義を示すこと。

提案手法

• アイテムID、価格、カテゴリ、ブランドを別々のノードタイプとしてエンコードするカスタムの異種ハイパーグラフを構築し、ハイパーエッジを用いて共起および関係性のパターンを捉える。
• ハイパーグラフ内での共起、同タイプ（同じカテゴリ内）および異タイプ（異なるカテゴリ間）の関係を同時に集約する三重レベルの畳み込み機構を設計する。
• マルチタスク学習フレームワーク内に二重志向学習スキームを実装し、関心と価格志向の予測を同時に最適化する。
• 可学習なヘッド数を有する自己注意機構を価格シーケンスに適用し、長距離依存関係と多様な価格志向パターンを捉える。
• マルチタスク学習を用いて、価格志向と関心志向の相互依存関係をモデル化し、表現品質と意図の整合性を向上させる。
• 特徴工学的アプローチ（例：類似カテゴリの統合、レアブランドのプルーニング）によりモデルの複雑さを低減しながら、性能を損なわないようにする。

実験結果

リサーチクエスチョン

• RQ1 ユーザーの価格志向を組み込むことで、関心のみをモデル化するモデルと比較して、セッションベース推薦の性能がどの程度向上するか？
• RQ2 カテゴリ、ブランド、価格、IDといった異種情報は、どのように1つのハイパーグラフ構造に効果的に統合され、複雑なユーザー志向を捉えることができるか？
• RQ3 マルチタスク学習を用いて価格志向と関心志向を同時にモデル化することで、ユーザーの意図予測の正確性にどのような影響を与えるか？
• RQ4 ハイパーパrameterの設定（例：アテンションヘッド数、ハイパーグラフ構築法）が、セッション長が異なるデータセットにおけるモデル性能にどのように影響するか？
• RQ5 実世界のセッションベースのシナリオにおいて、価格、カテゴリ、ブランドの各要因がユーザーの購入意思決定に果たす相対的寄与度はどの程度か？

主な発見

• BiPNetは、Grocery、Cosmetics、Toysの3つの実世界データセットにおいて、強力なSOTAベースラインを上回る最先端の性能を達成し、リCALLおよびプレシジョンの両指標で優れた結果を示した。
• 長期間のセッションを持つデータセット（例：Cosmetics）では、16個のアテンションヘッドを用いることで、長距離の価格志向をよりよく捉えることができ、顕著な性能向上が得られた。
• 短期間のセッションを持つデータセット（例：GroceryおよびToys）では、8個のアテンションヘッドがより良い結果をもたらし、モデル容量をセッション長に合わせて調整する必要があることが示された。
• アブレーションスタディにより、アイテムのブランドおよび価格情報の組み込みが推薦精度を顕著に向上させることを確認し、モデル設計の妥当性を裏付けた。
• 三重レベルの畳み込み機構は、共起、同タイプ、異タイプの関係を効果的に捉えており、アブレーションではいずれのレベルを削除しても性能が低下することが示された。
• 複雑さの分析により、豊富な特徴統合にもかかわらず、モデルが効率的であることが確認された。時間計算量は $ O(n imes r imes (ar{N}_{id} + ar{N}_{p} + ar{N}_{c} + ar{N}_{b})) $ で抑えられ、特徴の基数が小さい（例：Groceryでは≤5の価格レベル）ことが特徴である。