[論文レビュー] DA-GCN: A Domain-aware Attentive Graph Convolution Network for Shared-account Cross-domain Sequential Recommendation

Lei Guo, Li Tang+4 more|arXiv (Cornell University)|May 7, 2021

Recommender Systems and Techniques参考文献 24被引用数 15

ひとこと要約

本稿では、複数のユーザーが1つのアカウントを共有する状況における共通アカウント跨域順序推薦をモデル化するために、ユーザーとアイテムを異なるドメイン間でリンクするCross-Domain Sequence (CDS)グラフを構築することで、ドメインに配慮したグラフ畳み込みネットワーク（DA-GCN）を提案する。ドメインに配慮したメッセージパッシングと2つの新規アテンション機構を用いて、ユーザー固有の表現を学習し、2つの実世界データセットにおいてRNNベースおよびGCNベースのベースラインを著しく上回る性能を達成する。

ABSTRACT

Shared-account Cross-domain Sequential recommendation (SCSR) is the task of recommending the next item based on a sequence of recorded user behaviors, where multiple users share a single account, and their behaviours are available in multiple domains. Existing work on solving SCSR mainly relies on mining sequential patterns via RNN-based models, which are not expressive enough to capture the relationships among multiple entities. Moreover, all existing algorithms try to bridge two domains via knowledge transfer in the latent space, and the explicit cross-domain graph structure is unexploited. In this work, we propose a novel graph-based solution, namely DA-GCN, to address the above challenges. Specifically, we first link users and items in each domain as a graph. Then, we devise a domain-aware graph convolution network to learn user-specific node representations. To fully account for users' domain-specific preferences on items, two novel attention mechanisms are further developed to selectively guide the message passing process. Extensive experiments on two real-world datasets are conducted to demonstrate the superiority of our DA-GCN method.

研究の動機と目的

• 複数のユーザーが1つのアカウントを共有する状況で、混合したユーザーの好みが生じるため、順序推薦の課題に対処すること。
• 従来のRNNベースのモデルがドメイン間の複雑なエンティティ関係や構造的情報を捉えきれていないという限界を克服すること。
• 顕在的な跨ドメイングラフ構造を活用して微細なドメイン知識を転送することにより、潜在空間の転送に依存するのではなく、より効果的な学習を実現すること。
• グラフベースの表現学習を通じて、共有アカウント下での順序的行動とユーザー固有の好みを同時にモデル化する手法を開発すること。
• 実世界のデータにおいて、ドメインに配慮したメッセージパッシングとアテンション機構が推薦精度を向上させる有効性を実証すること。

提案手法

• 2つのドメインのユーザーとアイテムをリンクするCross-Domain Sequence (CDS)グラフを構築し、ノード間の相互作用をエッジとしてモデル化する。
• 各ドメイン内の隣接ノードからのメッセージ集約を通じて、ドメインに配慮したグラフ畳み込みネットワーク（GCN）を用いてユーザー固有のノード表現を学習する。
• 2つのアテンション機構を導入する：1つはターゲットユーザーに対する関連性に基づいて隣接ユーザーの重みを付けるもの、もう1つはドメイン固有の好みに基づいて隣接アイテムの重みを付けるもの。
• 各共有アカウントをH個の潜在ユーザーとしてモデル化することで、個々のユーザーの好みを捉え、共有アクセス下でもより正確な表現学習を可能にする。
• 勾配クリッピングとAdam最適化を適用し、初期学習率0.001、検証セットでチューニングされた埋め込み次元を設定する。
• ミニバッチ確率的勾配降下法を用いて学習し、バッチサイズ128を設定し、検証セットでH ∈ [1–5]の範囲でチューニングする。

実験結果

リサーチクエスチョン

• RQ1 共有アカウント跨ドメイン設定下で、順序的依存関係をモデル化する際、グラフベースのアプローチがRNNベースのモデルを上回るか？
• RQ2 潜在空間の知識転送と比較して、顕在的な跨ドメイングラフ構造を活用することは、推薦性能向上にどの程度有効か？
• RQ3 隣接ノードの重要性を重みづけるアテンション機構は、共有アカウント状況下での表現学習にどの程度向上効果をもたらすか？
• RQ4 1つの仮想ユーザーとして扱うのと比較して、アカウントをH個の潜在ユーザーとしてモデル化することは、推薦精度にどの程度差を生じるか？
• RQ5 既存のRNNベースのベースラインと比較して、提案手法のグラフベースのモデルはトレーニング効率とスケーラビリティに優れているか？

主な発見

• DA-GCNはHVIDEOおよびHAMAZONの両データセットで最高の性能を達成し、HVIDEOではMRR@5が26.65%、Recall@20が88.30%を記録し、すべてのベースラインを上回る。
• π-net や PSJNet といったRNNベースの手法と比較して顕著な向上を示し、順序的かつ関係的データに対してGCNベースのモデリングが優れていることを裏付けた。
• アブレーションスタディの結果、順序情報（GCN OS）またはアテンション機構（GCN OA）を削除すると性能が低下し、両者の重要性が確認された。
• H ≥ 2の潜在ユーザーとしてアカウントをモデル化した場合、1つの仮想ユーザーとして扱う場合よりも優れた結果が得られ、共有アカウントモデリングにおける設計選択の妥当性が裏付けられた。
• さまざまなトレーニング比率において、π-net や PSJNet と比較してDA-GCNはトレーニングコストが低く抑えられており、大規模データセットへのスケーラビリティに優れていることが示された。
• HVIDEOにおけるアブレーションスタディの結果、アテンションや順序モデリングを欠如させた変種と比較して、DA-GCNは一貫して優れた性能を示し、完全なアーキテクチャの有効性が裏付けられた。