[論文レビュー] BiRank: Towards Ranking on Bipartite Graphs

Xiangnan He, Ming Gao+2 more|arXiv (Cornell University)|Aug 15, 2017

Complex Network Analysis Techniques参考文献 32被引用数 3

ひとこと要約

本稿では、構造的リンク情報と事前知識（クエリベクトル）を統合することで、二部グラフ内の頂点の順序付けを行う、新しいグラフ正則化ベースのアルゴリズムであるBiRankを提案する。この手法は一意の定常解に収束し、正則化とベイズ的解釈の両面から理論的に裏付けられており、実世界のデータセットを用いた人気予測およびパーソナライズドレコメンデーションタスクにおいて、最先端の手法を上回る性能を示す。

ABSTRACT

The bipartite graph is a ubiquitous data structure that can model the relationship between two entity types: for instance, users and items, queries and webpages. In this paper, we study the problem of ranking vertices of a bipartite graph, based on the graph's link structure as well as prior information about vertices (which we term a query vector). We present a new solution, BiRank, which iteratively assigns scores to vertices and finally converges to a unique stationary ranking. In contrast to the traditional random walk-based methods, BiRank iterates towards optimizing a regularization function, which smooths the graph under the guidance of the query vector. Importantly, we establish how BiRank relates to the Bayesian methodology, enabling the future extension in a probabilistic way. To show the rationale and extendability of the ranking methodology, we further extend it to rank for the more generic n-partite graphs. BiRank's generic modeling of both the graph structure and vertex features enables it to model various ranking hypotheses flexibly. To illustrate its functionality, we apply the BiRank and TriRank (ranking for tripartite graphs) algorithms to two real-world applications: a general ranking scenario that predicts the future popularity of items, and a personalized ranking scenario that recommends items of interest to users. Extensive experiments on both synthetic and real-world datasets demonstrate BiRank's soundness (fast convergence), efficiency (linear in the number of graph edges) and effectiveness (achieving state-of-the-art in the two real-world tasks).

研究の動機と目的

• 構造的および事前頂点情報の両方を統合するが、理論的裏付けが明確で汎用性のある二部グラフの順序付けフレームワークの欠如に応えること。
• 一意の定常順序付けに収束するが、整合的な代数的および確率的解釈を通じて拡張可能な手法を開発すること。
• BiRankの実世界の順序付けシナリオ（アイテムの人気予測やパーソナライズドレコメンデーションなど）における有効性を実証すること。
• より複雑な関係（例：ユーザー・アイテム・アスペクトの相互作用）をモデル化可能なn部グラフへの手法の拡張を図ること。
• 合成および実世界のデータセットを用いた実験を通じて、BiRankの収束性、計算効率、および既存手法に対する優位性を実証すること。

提案手法

• BiRankは、グラフの滑らかさとクエリベクトルへの整合性をバランスさせる正則化関数を最小化することで、頂点スコアを反復的に更新する。
• 一意の解に収束する反復的パワー法として定式化されており、安定的かつ決定論的な順序付けを保証する。
• グラフ正則化の観点から解釈され、解がクエリベクトルからの逸脱をペナルティ化する二次形式を最小化するが、同時にグラフ構造を保持する。
• 補完的なベイズ的解釈が確立され、BiRankはガウス事前分布下でのMAP推定として定式化され、将来的な確率的拡張が可能になる。
• テンソルに基づく定式化により、三部グラフや高次元グラフにおける順序付けに一般化される。
• 実用的導入のため、エッジ重みとクエリベクトルをパラメータ化し、ユーザーの好みやアイテムの人気度といった特定の順序付け仮説を符号化する。

実験結果

リサーチクエスチョン

• RQ1 二部グラフの順序付けアルゴリズムは、事前頂点情報を取り入れつつ、一意の定常解に収束するようにどのように設計できるか？
• RQ2 BiRankとグラフ正則化の理論的関係は何か？ これをどのように整合的な拡張に活用できるか？
• RQ3 PageRank や HITS といった既存のランダムウォークベース手法と比較して、BiRank は収束性、効率性、有効性においてどのように異なるか？
• RQ4 BiRank はユーザー・アイテム・アスペクトの相互作用のようなより複雑な関係をモデル化できるように、n部グラフに拡張可能か？
• RQ5 BiRank は、アイテムの人気予測やパーソナライズドレコメンデーションといった実世界の応用において、どの程度有効か？

主な発見

• BiRank は、アイテムの人気予測において最先端の性能を達成し、データセット全体で平均して ItemKNN や PureSVD よりも相対的に 8.3% の向上を示した。
• パーソナライズドレコメンデーションにおいて、BiRank の三部グラフ拡張版であるTriRank が最良の性能を示し、BiRank よりも10%以上の相対的向上を達成し、PageRank や TagRW よりも顕著に優れていた。
• BiRank は高速に収束し、エッジ数に対して線形にスケーリングされ、高い計算効率を示した。
• 本手法はデータスパarsityに対して頑健であり、平均して3.9件のレビューしか持たないアマゾンのようなスパースデータセットにおいても、近隣ベースのCF手法（例：ItemKNN）を上回った。
• TriRank を用いたレビューアスペクトの統合により、レコメンデーション性能が著しく向上した。これは、細分化されたユーザーのフィードバックを組み込む価値があることを示している。
• アイテムの人気ベースのベースライン手法は性能が低く、効果的なレコメンデーションには、個々のユーザーの好みをモデル化することが不可欠であることを確認した。