[論文レビュー] Deep Learning on Knowledge Graph for Recommender System: A Survey

Yang Gao, Yifan Li+3 more|arXiv (Cornell University)|Mar 25, 2020

Advanced Graph Neural Networks参考文献 42被引用数 34

ひとこと要約

グラフニューラルネットワーク（GNN）に基づく知識認識型深層リコメンダーシステム（GNN-KADR）の総合的な調査で、グラフ埋め込みコンポーネントの分類法を導入し、データセット、評価、オープンソースコードを要約する。

ABSTRACT

Recent advances in research have demonstrated the effectiveness of knowledge graphs (KG) in providing valuable external knowledge to improve recommendation systems (RS). A knowledge graph is capable of encoding high-order relations that connect two objects with one or multiple related attributes. With the help of the emerging Graph Neural Networks (GNN), it is possible to extract both object characteristics and relations from KG, which is an essential factor for successful recommendations. In this paper, we provide a comprehensive survey of the GNN-based knowledge-aware deep recommender systems. Specifically, we discuss the state-of-the-art frameworks with a focus on their core component, i.e., the graph embedding module, and how they address practical recommendation issues such as scalability, cold-start and so on. We further summarize the commonly-used benchmark datasets, evaluation metrics as well as open-source codes. Finally, we conclude the survey and propose potential research directions in this rapidly growing field.

研究の動機と目的

• リコメンドシステムにおける知識グラフとグラフニューロンネットワークの概念を定義する。
• GNN-KADRシステムにおけるグラフ埋め込みモジュールの統一的な分類法を提供する（アグリゲータとアップデータ）。
• 最先端のGNN-KADRモデルをレビューし、コールドスタートやスケーラビリティといった実践的な課題への対応を評価する。
• ベンチマークデータセット、評価指標、およびオープンソースコードを要約する。
• 動的性、解釈性、および公平性を含む今後の研究方向性を提案する。

提案手法

• 新しい分類法を提案する：アグリゲータ（関係非依存、関係認識サブグラフ、関係認識アテンティブ）とアップデータ（文脈のみ、単一相互作用、複数相互作用）。
• アグリゲータとアップデータの選択肢に基づいて代表的なGNN-KADRモデルを分類・比較する。
• 実践的なリコメンドの課題（スケーラビリティ、コールドスタート）を論じる。
• データセット、指標、および利用可能なオープンソース実装を要約する。
• 制約と今後の方向性について議論を提供する。

実験結果

リサーチクエスチョン

• RQ1 知識認識型深層リコメンダーシステムで使われるコアなグラフ埋め込みコンポーネントは何か？
• RQ2 異なるアグリゲータとアップデータは、KGベースのリコメンドシステムの性能とスケーラビリティにどのように影響するか？
• RQ3 この研究領域を支配するデータセット、指標、およびオープンソースリソースは何か？
• RQ4 GNN-KADRにおける主要な課題と今後の潜在的な方向性は何か？
• RQ5 GNNベースのアプローチは、リコメンドにおけるコールドスタートや動的性といった課題にどのように対処しているか？

主な発見

• グラフ埋め込みモジュールを中心としたGNNベースの知識認識型深層リコメンダー（GNN-KADR）システムの分類法を提案する。
• 代表的なモデルをレビューし、それらのアグリゲータとアップデータを比較する。
• スケーラビリティやコールドスタートなどの実践的課題への解決策を強調する。
• ベンチマークデータセット、評価指標、および利用可能なオープンソースコードの統合要約を提供する。
• 制約を議論し、動的性、解釈性、公平性などの将来の方向性を提案する。
• 関係認識アテンティブなアグリゲータは、大規模なKGベースRSに対してスケーラブルで説明可能なモデリングを提供すると結論付ける。