[論文レビュー] Causal Inference for Knowledge Graph based Recommendation

Yinwei Wei, Xiang Wang+4 more|arXiv (Cornell University)|Dec 20, 2022

Advanced Graph Neural Networks被引用数 9

ひとこと要約

本稿では、効率的な知識グラフベースの推薦のため、ハミング空間における一次および高次ハミング類似度をモデル化する新しいグラフ畳み込みネットワーク、HS-GCNを提案する。ハッシュコードの集約と符号化を通じて、バイナリーハッシュコード上で直接グラフ畳み込みを実行することにより、実数値モデルと同等の最先端の性能を達成している。

ABSTRACT

Knowledge Graph (KG), as a side-information, tends to be utilized to supplement the collaborative filtering (CF) based recommendation model. By mapping items with the entities in KGs, prior studies mostly extract the knowledge information from the KGs and inject it into the representations of users and items. Despite their remarkable performance, they fail to model the user preference on attributes in the KG, since they ignore that (1) the structure information of KG may hinder the user preference learning, and (2) the user's interacted attributes will result in the bias issue on the similarity scores. With the help of causality tools, we construct the causal-effect relation between the variables in KG-based recommendation and identify the reasons causing the mentioned challenges. Accordingly, we develop a new framework, termed Knowledge Graph-based Causal Recommendation (KGCR), which implements the deconfounded user preference learning and adopts counterfactual inference to eliminate bias in the similarity scoring. Ultimately, we evaluate our proposed model on three datasets, including Amazon-book, LastFM, and Yelp2018 datasets. By conducting extensive experiments on the datasets, we demonstrate that KGCR outperforms several state-of-the-art baselines, such as KGNN-LS, KGAT and KGIN.

研究の動機と目的

• 既存のハッシングベースのレコメンデーションシステムが一次ハミング類似度のみをモデル化するための表現能力が最適でない問題に対処すること。
• 間接的なユーザ-アイテム関係から得られる高次ハミング類似度を、ユーザ-アイテム二部グラフ構造を用いて明示的に捉えること。
• ユークリッド空間からバイナリへの変換に起因する情報損失を回避するため、ハミング空間で直接動作するグラフ畳み込みネットワークを構築すること。
• 実数値モデルと同等の性能を達成しつつ、効率的かつスケーラブルな推薦を実現すること。

提案手法

• 歴史的相互作用からユーザ-アイテム二部グラフを構築し、一次および高次類似度の両方を表現する。
• ハミング空間に特化した新しいグラフ畳み込み演算を導入し、2つの構成要素（ハッシュコード集約とハッシュコード符号化）から成る。
• ハッシュコード集約は、隣接ノードのコードのビットごとの符号（多数決）を計算することで、局所的なハミング類似度を要約する。
• ハッシュコード符号化は、ノードのハッシュコードを、その近隣の支配的符号と整合するビットを反転させることで精緻化し、ハミング類似度をコードに組み込む。
• 複数の伝播層をスタックすることで、ハッシュコードを反復的に精緻化し、エンドツーエンド最適化を可能にする。
• 学習されたハミング空間表現に基づき、最終的なスコアリング層を用いてユーザ-アイテム相互作用を予測する。

Figure 1: Illustration of the high-order and the first-order Hamming similarity in learning to hash.

実験結果

リサーチクエスチョン

• RQ1 ハミング空間で高次ハミング類似度をモデル化することで、レコメンデーションにおけるハッシュコードの表現能力が向上するか？
• RQ2 実数値埋め込みに依存せずに、バイナリーハッシュコード上で効果的にグラフ畳み込み操作を実行する方法は何か？
• RQ3 高次類似度を用いて間接的なユーザ-アイテム関係を明示的に捉えることで、一次類似度のみを扱う手法に比べてより優れた推薦性能が得られるか？
• RQ4 ハミング空間におけるGCNは、PinSage や GraphSAGE といった実数値モデルと同等の性能を達成できるか？

主な発見

• HS-GCNは、3つの公開ベンチマークデータセットにおいて、複数の最先端のハッシングベースレコメンデーションモデルを顕著に上回る性能を示した。
• 本手法は、実数値モデル（PinSage や GraphSAGE など）と同等の推薦性能を、バイナリーハッシュコードを用いることで達成した。
• アブレーションスタディの結果、一次類似度のみをモデル化する手法に比べ、高次ハミング類似度のモデル化が性能向上に顕著に寄与することが確認された。
• ハミング空間におけるグラフ畳み込みを用いたエンドツーエンド学習により、定数時間探索が可能な効率的かつスケーラブルな推薦が実現された。
• 異なるデータセットにおいてもモデルの性能が安定しており、大規模なレコメンデーション環境における汎用性が示された。