[論文レビュー] Disentangled Graph Contrastive Learning for Review-based Recommendation

Yuyang Ren, Haonan Zhang+6 more|arXiv (Cornell University)|Sep 4, 2022

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、レビュー本文とユーザ・アイテム相互作用グラフを用いて、品質、価格、外観などの異なる潜在要因（例：品質、価格、外観）によってユーザ・アイテム相互作用をモデル化する、分離型グラフ対照学習フレームワークDGCLRを提案する。要因別に表現を学習するための要因分解型メッセージスイーピング機構と対照学習を用いることで、DGCLRは推薦精度と解釈可能性を向上させ、5つのベンチマークデータセットにおいて最先端の手法を上回る性能を発揮する。

ABSTRACT

User review data is helpful in alleviating the data sparsity problem in many recommender systems. In review-based recommendation methods, review data is considered as auxiliary information that can improve the quality of learned user/item or interaction representations for the user rating prediction task. However, these methods usually model user-item interactions in a holistic manner and neglect the entanglement of the latent factors behind them, e.g., price, quality, or appearance, resulting in suboptimal representations and reducing interpretability. In this paper, we propose a Disentangled Graph Contrastive Learning framework for Review-based recommendation (DGCLR), to separately model the user-item interactions based on different latent factors through the textual review data. To this end, we first model the distributions of interactions over latent factors from both semantic information in review data and structural information in user-item graph data, forming several factor graphs. Then a factorized message passing mechanism is designed to learn disentangled user/item representations on the factor graphs, which enable us to further characterize the interactions and adaptively combine the predicted ratings from multiple factors via a devised attention mechanism. Finally, we set two factor-wise contrastive learning objectives to alleviate the sparsity issue and model the user/item and interaction features pertinent to each factor more accurately. Empirical results over five benchmark datasets validate the superiority of DGCLR over the state-of-the-art methods. Further analysis is offered to interpret the learned intent factors and rating prediction in DGCLR.

研究の動機と目的

• 既存のレビューに基づく推薦手法における包括的モデリングの限界、すなわち価格、品質、外観などの複数の潜在要因がユーザ・アイテム表現に混同されていることに対処すること。
• テキストレビューとユーザ・アイテムグラフ構造を用いて、ユーザ・アイテム相互作用を明示的に異なる潜在要因に分離することで、推薦性能と解釈可能性を向上させること。
• 各要因ごとの微細な好みを捉えることのできる分離型ユーザおよびアイテム表現を学習し、より正確で説明可能なレーティング予測を可能にすること。
• 各潜在要因の表現の判別力を高めるために、要因別対照学習目的を導入することで、データスパarsityを軽減すること。

提案手法

• フレームワークは、レビューからの意味的信号とユーザ・アイテムグラフからの構造的信号を用いて、潜在要因ごとの相互作用の分布をモデル化することで、複数の要因グラフを構築する。
• 各要因グラフ上で、要因別好みを捉えることのできる分離型ユーザおよびアイテム表現を学習するための要因分解型メッセージスイーピング機構を設計する。
• 複数の要因からの予測を適応的に統合して最終的なレーティングスコアを生成するためのアテンションベースのインタラクションモジュールを導入し、アテンション重みは各相互作用における支配的要因を示す。
• ユーザ／アイテム表現および相互作用表現の両方の要因別対照学習目的を導入することで、分離性とロバスト性を向上させる。
• レーティング予測と対照学習目的を組み合わせたマルチタスク損失を用いて、エンド・トゥ・エンドでモデルを訓練し、最適な性能を得るためにハイパーパrameterを調整する。

実験結果

リサーチクエスチョン

• RQ1 ユーザ・アイテム相互作用における潜在要因（例：品質、価格、外観）を分離することで、推薦性能と解釈可能性が向上するか？
• RQ2 レビュー本文とユーザ・アイテムグラフ構造を統合的に活用することで、ユーザレーティングの背後にある明確な潜在要因を特定・モデル化できるか？
• RQ3 要因別対照学習は、学習済み表現の判別力と分離性を向上させるか？
• RQ4 要因の数やメッセージスイーピング層の数が、モデルの性能と一般化能力に与える影響は何か？

主な発見

• DGCLRは5つのベンチマークデータセットにおいて最先端の性能を達成し、既存手法よりもレーティング予測精度が優れている。
• モデルは解釈性が向上している：要因別レビューは一貫して「需要と供給の一致」「品質」「誠実さ」「コストパフォーマンス」などの一貫した意味的テーマを反映している。
• 要因が分離されていない場合（K=1）、メッセージスイーピングを深くすると性能が低下するが、K≥2の場合は顕著に向上する。これは、分離が高次元のメッセージスイーピングを効果的に可能にしていることを示している。
• 最適な対照損失重み（λ₁, λ₂）は[0.3, 0.7]の範囲にあり、この範囲内でハイパーパrameterチューニングに対してモデルはロバストである。
• アテンション機構は、個々の予測における支配的要因を的確に特定しており、高いアテンション重み（>0.5）は意味的に整合性のあるレビュー内容と一致している。
• モデルは各相互作用に対して最も関連性の高い要因に注目することで、正確なレーティング予測（MSE < 0.2）を達成しており、精度と解釈可能性の両方を満たしている。