[論文レビュー] Collaboration-Aware Graph Convolutional Network for Recommender Systems

Yu Wang, Yuying Zhao+2 more|arXiv (Cornell University)|Jul 3, 2022

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、共通の相互作用割合（CIR）と呼ばれる新しいトポロジカル指標を用いて隣接ノードの寄与を重み付けすることで、メッセージパッシングを強化するGNNベースのレコメンデーションシステム、協働認識型グラフ畳み込みネットワーク（CAGCN）を提案する。CAGCNは、Recall@20においてLightGCNを約10%上回り、6つのベンチマークデータセットで80%以上の高速化を達成する。

ABSTRACT

Graph Neural Networks (GNNs) have been successfully adopted in recommender systems by virtue of the message-passing that implicitly captures collaborative effect. Nevertheless, most of the existing message-passing mechanisms for recommendation are directly inherited from GNNs without scrutinizing whether the captured collaborative effect would benefit the prediction of user preferences. In this paper, we first analyze how message-passing captures the collaborative effect and propose a recommendation-oriented topological metric, Common Interacted Ratio (CIR), which measures the level of interaction between a specific neighbor of a node with the rest of its neighbors. After demonstrating the benefits of leveraging collaborations from neighbors with higher CIR, we propose a recommendation-tailored GNN, Collaboration-Aware Graph Convolutional Network (CAGCN), that goes beyond 1-Weisfeiler-Lehman(1-WL) test in distinguishing non-bipartite-subgraph-isomorphic graphs. Experiments on six benchmark datasets show that the best CAGCN variant outperforms the most representative GNN-based recommendation model, LightGCN, by nearly 10% in Recall@20 and also achieves around 80% speedup. Our code is publicly available at https://github.com/YuWVandy/CAGCN.

研究の動機と目的

• GNNにおけるメッセージパッシングが推薦の文脈でどのように協調的効果を捉え、その効果がユーザーの好み予測をどのように改善するかを理解すること。
• 隣接ノードからの協調的信号が順序付けタスクにおいて、いつ、どのように有益であるかを特定すること。
• トポロジカルな近隣構造に基づいて情報を選択的に集約する、レコメンデーションに特化したGNNを設計すること。
• 非双方向部分グラフ同型でないグラフに対して1-WLテストの表現力を上回るグラフ畳み込み機構を開発すること。
• LightGCNのような最先端のGNNベースのモデルと比較して、より高い推薦精度とより速い推論を達成すること。

提案手法

• ノードの隣接ノードとその他の隣接ノードとの間の協調の度合いを定量化するための新しいトポロジカル指標、共通の相互作用割合（CIR）を提案する。
• CIR値に基づいて隣接ノードのメッセージを重み付する協働認識型グラフ畳み込み（CAGC）を導入し、有益で協調的なノードを優先する。
• CAGCを統合したCAGCNを、近隣情報の選択的集約を可能にするGNNアーキテクチャとして設計する。
• CAGCNが1-WLテストを超えて非双方向部分グラフ同型でないグラフを区別できることを証明し、より強い表現力を持つことを示す。
• 順序付けタスクにおける性能向上が意味を持つことを保証するため、ノード中心の評価指標を採用する。
• 多様な推薦シナリオにおいてモデルを検証するため、公開済みおよび新たに収集した実世界のデータセットを併用する。

実験結果

リサーチクエスチョン

• RQ1 GNNにおけるメッセージパッシングは、協調的効果をどのように捉え、どのような条件下でユーザーの好み予測を改善するのか？
• RQ2 CIRのようなトポロジカル指標は、推薦文脈において隣接ノードからの協調的信号の利益を効果的に測定できるか？
• RQ3 CIRに基づいて隣接ノードの寄与を重み付けするGNNは、標準的なGNNと比較して推薦精度と効率性の両面で優れているか？
• RQ4 提案されたCAGCNモデルは、推薦に関連する構造的に複雑な非双方向部分グラフ同型でないグラフを区別する点で1-WLテストを上回れるか？
• RQ5 CAGCNは多様なベンチマークデータセットにおいて推論速度と性能にどのような影響を与えるか？

主な発見

• CAGCNは6つのベンチマークデータセット全体で、平均してLightGCN比でRecall@20が9.8%向上する。
• 最良のCAGCNバージョンは、精度を維持したままLightGCNと比較して80%以上の高速化を達成する。
• CAGCNは公開済みおよび新たに収集した実世界のデータセットの両方で優れた性能を示し、一般化能力を確認する。
• CIR指標は、ユーザーの好み予測に寄与する協調的信号を持つノードを効果的に特定でき、設計の妥当性を裏付ける。
• CAGCNは非双方向部分グラフ同型でないグラフを区別する点で1-WLより明確に表現力が優れていることが証明されており、構造的モデリング能力が強いことを示す。
• CIRが高値のノードを優先することで、有害またはノイジーな協調的信号の集約リスクを低減し、耐性を向上させる。