[論文レビュー] Bundle Recommendation with Graph Convolutional Networks

Jianxin Chang, Chen Gao+3 more|arXiv (Cornell University)|May 7, 2020

Recommender Systems and Techniques参考文献 9被引用数 15

ひとこと要約

本稿では、ユーザー・バンドル・アイテムの相互作用を異種グラフとしてモデル化することでバンドル推薦を改善する、BGCNと呼ばれるグラフ畳み込みネットワークを提案する。アイテムレベルおよびバンドルレベルの伝搬に加え、ハードネガティブサンプリングを活用することで、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、従来手法を10.77%から23.18%の範囲で上回った。

ABSTRACT

Bundle recommendation aims to recommend a bundle of items for a user to consume as a whole. Existing solutions integrate user-item interaction modeling into bundle recommendation by sharing model parameters or learning in a multi-task manner, which cannot explicitly model the affiliation between items and bundles, and fail to explore the decision-making when a user chooses bundles. In this work, we propose a graph neural network model named BGCN (short for extit{ extBF{B}undle extBF{G}raph extBF{C}onvolutional extBF{N}etwork}) for bundle recommendation. BGCN unifies user-item interaction, user-bundle interaction and bundle-item affiliation into a heterogeneous graph. With item nodes as the bridge, graph convolutional propagation between user and bundle nodes makes the learned representations capture the item level semantics. Through training based on hard-negative sampler, the user's fine-grained preferences for similar bundles are further distinguished. Empirical results on two real-world datasets demonstrate the strong performance gains of BGCN, which outperforms the state-of-the-art baselines by 10.77\% to 23.18\%.

研究の動機と目的

• ユーザー・アイテム・バンドルの関係性を明示的にモデル化できない既存のバンドル推薦手法の限界を解消する。
• アイテムレベルおよびバンドルレベルの信号伝搬を活用することで、ユーザー・バンドル相互作用におけるデータスパarsityを克服する。
• ハードネガティブサンプリングによるユーザー意思決定のモデル化を通じて、類似したバンドル間の微細な差異を明確に分類する。
• ユーザー、アイテム、バンドルのエンティティを統合した1つの異種グラフに統合することで、アイテムに依存したバンドル推薦を実現する。
• メタパスモデリングを通じてユーザー・アイテム関係とバンドル・バンドル関係の両方を捉えることで、推薦精度を向上させる。

提案手法

• ユーザー、アイテム、バンドルを統合した異種グラフを構築し、エッジはユーザー・アイテム、ユーザー・バンドル、バンドル・アイテムの相互作用を表す。
• 2段階のグラフ畳み込み伝搬を適用する：ユーザーとアイテム間のアイテムレベル伝搬、および中間としてのアイテムを介したユーザーとバンドル間のバンドルレベル伝搬。
• 重み付き伝搬を用いた重み付き重複度に基づくバンドル同士の類似性をモデル化するバンドル同士（B2B）メタパスを導入する。
• 訓練中にアイテムレベルおよびバンドルレベルでハードネガティブサンプリングを実施し、微細な好みの差を区別し、モデルの一般化性能を向上させる。
• ユーザー・バンドル相互作用予測とアイテムレベル表現学習を同時に最適化するマルチタスク学習目的関数を採用する。
• グラフニューラルネットワークを活用して、ユーザー、アイテム、バンドル間の高階層な接続性と複雑な構造的依存関係を捉える。

実験結果

リサーチクエスチョン

• RQ1 統合された異種グラフモデルは、バンドル推薦におけるユーザー、アイテム、バンドルの複雑な関係性を効果的に捉えることができるか？
• RQ2 アイテムレベルおよびバンドルレベルのマルチレベル伝搬は、単一レベルまたは伝搬なしの手法と比較して表現学習をどのように改善するか？
• RQ3 アイテムの重複に基づくバンドル同士（B2B）関係を組み込むことで、推薦性能がどの程度向上するか？
• RQ4 ハードネガティブサンプリングは、類似したバンドル間の微細な差を区別し、ユーザーの好みモデリングをどの程度向上させるか？
• RQ5 特に相互作用が少ないユーザーに対して、提案手法はユーザー・バンドル相互作用のデータスパarsityをどのように緩和できるか？

主な発見

• BGCNは2つの実世界データセットにおいて、Recall@40とNDCG@40で最先端のベースラインを10.77%から23.18%の範囲で上回り、顕著な性能向上を示した。
• 2段階伝搬（アイテムおよびバンドルレベル）は、NeteaseおよびYoushuデータセットにおいて、単一レベル伝搬と比較してそれぞれ9.36%–11.57%および2.75%–11.39%の性能向上を達成した。
• 重複に基づく重み付きB2B伝搬を組み込むことで、2つのデータセットでそれぞれ5.84%–6.74%および1.79%–9.02%の性能向上が得られ、バンドル類似性の捉え方の有効性が示された。
• アイテムおよびバンドルレベルの両方でハードネガティブサンプリングを実施した場合が最良の性能を示し、ランダムサンプリングと比較してRecall@40が9.26%–10.64%、NDCG@40が3.95%–11.78%向上した。
• 相互作用が0–3件のユーザーに対しても、BGCNは高い性能（Recall@40: 0.069、NDCG@40: 0.023）を維持し、最良のベースラインであるNGCF-TGをそれぞれ30.19%および27.78%上回った。これは、データスパarsityに対して強い耐性を示している。