[論文レビュー] DGTN: Dual-channel Graph Transition Network for Session-based Recommendation

Yujia Zheng, Siyi Liu+2 more|arXiv (Cornell University)|Sep 21, 2020

Recommender Systems and Techniques参考文献 40被引用数 7

ひとこと要約

DGTNは、チャネルに応じた伝搬を備えた統合グラフを構築することで、ターゲットセッションおよびその近隣セッション内のアイテム遷移をモデル化する二チャネルグラフ遷移ネットワークを提案する。実世界のデータセットにおける実験により、DGTNは最先端の手法を上回り、グラフベースの学習を用いてクロスセッションの協調的遷移を明示的にモデル化することの有効性が示された。

ABSTRACT

The task of session-based recommendation is to predict user actions based on anonymous sessions. Recent research mainly models the target session as a sequence or a graph to capture item transitions within it, ignoring complex transitions between items in different sessions that have been generated by other users. These item transitions include potential collaborative information and reflect similar behavior patterns, which we assume may help with the recommendation for the target session. In this paper, we propose a novel method, namely Dual-channel Graph Transition Network (DGTN), to model item transitions within not only the target session but also the neighbor sessions. Specifically, we integrate the target session and its neighbor (similar) sessions into a single graph. Then the transition signals are explicitly injected into the embedding by channel-aware propagation. Experiments on real-world datasets demonstrate that DGTN outperforms other state-of-the-art methods. Further analysis verifies the rationality of dual-channel item transition modeling, suggesting a potential future direction for session-based recommendation.

研究の動機と目的

• 既存のセッションベース推薦手法がターゲットセッション内の遷移にのみ注目しており、類似した近隣セッションからの協調的シグナルを無視するという限界を是正すること。
• ターゲットセッションとその類似した近隣セッションを統合した単一のグラフ構造に統合することで、異なるセッション間での複雑なアイテム遷移をモデル化すること。
• セッション内（ターゲット内）とセッション間（ターゲットと近隣間）の2種類の遷移を明示的に区別し、学習させることで、推薦精度を向上させること。
• 広範な実験とアブレーションスタディを通じて、二チャネル遷移モデルの有効性と妥当性を検証すること。

提案手法

• セッションレベルの埋め込み類似度に基づいて、ターゲットセッションと最も類似した近隣セッションを組み合わせた統合グラフを構築する。
• チャネルに応じたグラフ伝搬を適用：ターゲットセッション内での遷移（イントラセッション）には別個の伝搬メカニズムを、ターゲットと近隣セッション間の遷移（インターセッション）には別個の伝搬メカニズムを用いる。
• 畳み込みニューラルネットワーク（CNN）プーリングやマックスプーリングなどの融合関数を用いて、2つのチャネルからの特徴を統合し、モデルが局所的および協調的遷移パターンの両方から学習できるようにする。
• GNNベースのメッセージパッシングを用いてノード埋め込みを更新し、次に予測すべきアイテムを交差エントロピー損失関数で学習させる。
• 類似度に基づく近隣セッション選択戦略を用いて関連する近隣セッションを同定し、意味的に類似したセッションのみがグラフに寄与することを保証する。
• グラフニューラルネットワーク（GNNs）を活用して、構築されたグラフを介して埋め込みを伝搬させ、長距離依存関係および協調的行動パターンを捉える。

実験結果

リサーチクエスチョン

• RQ1 ターゲットセッションおよびその近隣セッションの両方におけるアイテム遷移をモデル化することで、セッションベース推薦の性能が向上するか？
• RQ2 イントラセッションとインターセッション遷移を別々にモデル化する二チャネル設計が、推薦精度に与える影響は何か？
• RQ3 性能を最大化しつつノイズを最小化するための最適な近隣セッション数は何か？
• RQ4 イントラセッションおよびインターセッション特徴を統合するための異なる融合関数が、モデル性能に与える影響は何か？
• RQ5 SR-GNNなどの既存のグラフベースのセッション推薦モデルと比較して、DGTNの効率性はどの程度か？

主な発見

• DGTNは、DigineticaおよびYoochoose 1/64の両データセットで最先端の性能を達成し、GRU4REC、NARM、KNN-RNN、CSRM、SR-GNNなどのRNNベースおよびGNNベースのベースラインを上回った。
• 近隣セッション数が増加するにつれて性能が向上し、最適点（Yoochoose 1/64ではr=140、Digineticaではr=120）に達した後、類似度が低いセッションからのノイズにより性能が低下した。
• CNNプーリングがRecall@20およびMRR@20の両方で最高の性能を示し、二チャネルからの顕著な特徴を捉える優れた能力を示した。
• マックスプーリングも良好な性能を示し、各チャネルからの最重要特徴を効果的に選択できることを示したが、平均プーリングと連結処理はチャネル固有の差を適切に扱えず、性能が劣った。
• SR-GNNと比較して、DGTNはわずかに長いトレーニング時間とGPUメモリ使用量を要したが、顕著な性能向上を考慮すると、増加は限定的で許容可能であった。
• アブレーションスタディにより、近隣セッションの遷移を組み込むことで推薦精度が顕著に向上することが確認され、モデル設計の根拠が裏付けられた。