[論文レビュー] Deep Adversarial Social Recommendation

Wenqi Fan, Tyler Derr+4 more|arXiv (Cornell University)|May 30, 2019

Recommender Systems and Techniques参考文献 27被引用数 6

ひとこと要約

本稿では、双方向マッピングと敵対的学習を用いて、アイテムドメインおよびソーシャルドメインにおける分離済みユーザー表現を学習する、DASOと呼ばれる深層敵対的ソーシャルレコメンデーションフレームワークを提案する。動的でハードなネガティブサンプルを生成することで、DASOはユーザーおよびアイテム表現学習を向上させ、2つの実世界データセットにおいて最先端のベースラインを常に上回るレコメンデーション精度の向上を達成する。

ABSTRACT

Recent years have witnessed rapid developments on social recommendation techniques for improving the performance of recommender systems due to the growing influence of social networks to our daily life. The majority of existing social recommendation methods unify user representation for the user-item interactions (item domain) and user-user connections (social domain). However, it may restrain user representation learning in each respective domain, since users behave and interact differently in the two domains, which makes their representations to be heterogeneous. In addition, most of traditional recommender systems can not efficiently optimize these objectives, since they utilize negative sampling technique which is unable to provide enough informative guidance towards the training during the optimization process. In this paper, to address the aforementioned challenges, we propose a novel deep adversarial social recommendation framework DASO. It adopts a bidirectional mapping method to transfer users' information between social domain and item domain using adversarial learning. Comprehensive experiments on two real-world datasets show the effectiveness of the proposed framework.

研究の動機と目的

• ソーシャルレコメンデーションにおける統一されたユーザー表現の制限を解決すること。これは、アイテムドメインとソーシャルドメインにおける異種のユーザー行動が、ドメイン特化学習を妨げるためである。
• 従来のネガティブサンプリングの非効率性を克服すること。これは、情報量が多く動的でないネガティブサンプルが不足しているため、ユーザーおよびアイテム表現の最適化が不十分であるためである。
• 双方向マッピング機構を導入することで、アイテムドメインおよびソーシャルドメインにおけるユーザー表現学習を向上させること。
• 敵対的学習を活用し、より効果的なユーザーおよびアイテム表現の最適化を促進する、情報量が多くハードなネガティブサンプルを生成すること。
• 敵対的学習と分離表現学習を統合した包括的なディープラーニングフレームワークを構築し、ソーシャルレコメンデーションのパフォーマンスを向上させること。

提案手法

• DASOは、ソーシャルドメインとアイテムドメイン間でユーザー情報を双方向に転送する双方向マッピング機構を採用し、両ドメインにおけるユーザー表現の相互強化を可能にする。
• フレームワークは、GANに類似した構造を採用し、生成器と識別器を用いて潜在的なデータ分布をモデル化し、訓練用に合成されたハードなネガティブサンプルを生成する。
• 双方向マッピングを通じた再構築表現が元のユーザー表現を忠実に再現することを保証するため、サイクル整合性損失が導入され、データスパarsityの緩和に寄与する。
• 対照的損失（例：BPRに基づくペairワイズランキング）を用いて、敵対的に生成されたネガティブサンプルを強化することで、ユーザーおよびアイテム表現を共同最適化する。
• 生成器の両ドメイン（アイテムドメインおよびソーシャルドメイン）に敵対的学習を適用し、softmax計算の計算効率を向上させるために階層的ソフトマックスが使用される。
• 全体の訓練フレームワークは、生成器と識別器のミニマックスゲームを用い、表現学習とサンプル生成を同時に改善する。

実験結果

リサーチクエスチョン

• RQ1 統一された表現と比較して、アイテムドメインおよびソーシャルドメインにおける分離済みユーザー表現は、レコメンデーションパフォーマンスを向上させることができるか？
• RQ2 従来のネガティブサンプリングと比較して、敵対的に生成されたネガティブサンプルは、ソーシャルレコメンデーションにおいてより情報量の多い訓練信号を提供するか？
• RQ3 ドメイン間の双方向情報サイクリングは、データスパarsityを軽減し、ユーザー表現学習を強化するか？
• RQ4 サイクル再構築と敵対的学習のバランスがモデルパフォーマンスに与える影響はいかほどか？
• RQ5 提案されたDASOフレームワークは、既存の最先端のソーシャルレコメンデーションモデルをどの程度上回るか？

主な発見

• DASOは、CiaoおよびMovieLensの両データセットにおいて、DeepSoRやGraphRecを含むすべてのベースラインモデルを一貫して上回り、優れたレコメンデーション精度を示している。
• 特にPrecision@3およびRecall@3において顕著なパフォーマンス向上が達成されており、敵対的ネガティブサンプリングが表現学習を強化していることが示されている。
• アブレーションスタディの結果、双方向マッピングおよび敵対的学習のコンponentsがパフォーマンス向上に不可欠であることが確認された。
• サイクル再構築を制御するハイパーパrameter λ に対して、性能が相対的に安定していることから、双方向マッピングが、さまざまな重み設定下でも学習を安定化させていることが示された。
• 敵対的学習の導入により、より効果的な最適化が達成されており、モデルがハードなネガティブサンプルを生成し、順位付けパフォーマンスを向上させられる能力が裏付けられている。
• フレームワークは一般化性能が強く、複数の評価指標およびデータセットにおいて一貫した改善を示している。