[論文レビュー] div2vec: Diversity-Emphasized Node Embedding

Ji-Su Jeong, Jeong-Min Yun+4 more|arXiv (Cornell University)|Sep 21, 2020

Recommender Systems and Techniques参考文献 19被引用数 4

ひとこと要約

本稿では、低次数ノードをより頻繁にサンプリングすることで、推薦の多様性を向上させるランダムウォークベースのノード埋め込み手法であるdiv2vecを提案する。これは、DeepWalk や node2vec といった従来手法とは逆に、次数に反比例するサンプリング確率を用いる。div2vec はランダムウォークにおけるノード表現をより均一に保つことで、MovieLens、WATCHA、LINE Wallet Coupon におけるオフラインおよび実世界の評価で、精度と多様性の両方を向上させる。

ABSTRACT

Recently, the interest of graph representation learning has been rapidly increasing in recommender systems. However, most existing studies have focused on improving accuracy, but in real-world systems, the recommendation diversity should be considered as well to improve user experiences. In this paper, we propose the diversity-emphasized node embedding div2vec, which is a random walk-based unsupervised learning method like DeepWalk and node2vec. When generating random walks, DeepWalk and node2vec sample nodes of higher degree more and nodes of lower degree less. On the other hand, div2vec samples nodes with the probability inversely proportional to its degree so that every node can evenly belong to the collection of random walks. This strategy improves the diversity of recommendation models. Offline experiments on the MovieLens dataset showed that our new method improves the recommendation performance in terms of both accuracy and diversity. Moreover, we evaluated the proposed model on two real-world services, WATCHA and LINE Wallet Coupon, and observed the div2vec improves the recommendation quality by diversifying the system.

研究の動機と目的

• 推薦システムにおけるグラフ表現学習手法に見られる多様性の欠如を是正すること。
• 高次数・人気のあるアイテムに過剰に集中するのを防ぎ、ユーザー体験を向上させること。
• 学習された表現に多様性を明示的に促進する、教師なしでランダムウォークベースのノード埋め込み手法を開発すること。
• 多様性に焦点を当てたサンプリングが、精度を超えた推薦品質の向上をもたらすかどうかを検証すること。

提案手法

• div2vec はランダムウォークプロセスを変更し、ノードの次数に反比例する確率でサンプリングする。
• DeepWalk や node2vec とは異なり、高次数ノードを好むのではなく、低次数ノードの選択確率を高める。
• 得られた多様なランダムウォークからノード埋め込みを学習するために、スキップグラムフレームワークを維持する。
• ノード埋め込みは、多様性に配慮したウォーク生成を最適化するため、ネガティブサンプリングを用いてスキップグラム目的関数を最適化する。
• このアプローチは教師なしであり、ラベル付きのユーザーフィードバックや明示的な多様性制約を必要としない。
• 最終的な埋め込みは、精度と多様性の両方を向上させるための下流の推薦タスクに使用される。

実験結果

リサーチクエスチョン

• RQ1 精度を損なわせることなく、ランダムウォークベースのノード埋め込み手法が推薦の多様性を向上させられるか。
• RQ2 次数に比例するサンプリングと比較して、逆次数サンプリングがランダムウォーク内のノード分布に与える影響は何か。
• RQ3 提案手法が合成ベンチマークを超えて、実世界のシステムでも優れた推薦品質をもたらすか。
• RQ4 推薦の多様性が生産環境におけるユーザー参加度とどの程度相関しているか。

主な発見

• div2vec は MovieLens データセットにおいて、精度指標を維持または向上させながら、推薦の多様性を顕著に向上させる。
• カバレッジやインライン類似度といった標準的な多様性指標で測定したところ、div2vec は DeepWalk や node2vec よりも高い多様性スコアを達成する。
• WATCHA や LINE Wallet Coupon における実世界のデプロイでは、div2vec がより多様な推薦を実現し、ユーザー体験を向上させた。
• オフライン評価では、逆次数サンプリングがグラフ全体にわたるノード表現の分布をより均一にすることが確認された。
• 結果として、ランダムウォーク生成における戦略的サンプリングによって、多様性を明示的に強化できることを示している。
• div2vec は精度と多様性の両面でベースライン手法を上回り、実用的な推薦システムにおける有効性を示している。