[論文レビュー] Ekar: An Explainable Method for Knowledge Aware Recommendation

Weiping Song, Zhijian Duan+4 more|arXiv (Cornell University)|Jun 22, 2019

Recommender Systems and Techniques被引用数 12

ひとこと要約

本稿では、ユーザー-アイテム-エンティティ知識グラフ上で深層強化学習を用いてユーザーからアイテムへの推薦経路を生成する、説明可能な知識認識型推薦手法Ekarを提案する。経路探索を報酬設計を施した逐次的意思決定プロセスとして定式化することで、人間が理解可能な推論経路を提供しつつ、3つの実世界データセットにおいて既存のKGベースの手法を著しく上回る最先端の性能を達成した。

ABSTRACT

This paper studies recommender systems with knowledge graphs, which can effectively address the problems of data sparsity and cold start. Recently, a variety of methods have been developed for this problem, which generally try to learn effective representations of users and items and then match items to users according to their representations. Though these methods have been shown quite effective, they lack good explanations, which are critical to recommender systems. In this paper, we take a different route and propose generating recommendations by finding meaningful paths from users to items. Specifically, we formulate the problem as a sequential decision process, where the target user is defined as the initial state, and the edges on the graphs are defined as actions. We shape the rewards according to existing state-of-the-art methods and then train a policy function with policy gradient methods. Experimental results on three real-world datasets show that our proposed method not only provides effective recommendations but also offers good explanations.

研究の動機と目的

• 知識グラフベースの推薦システムにおいて説明可能性に欠ける点、特に透過的でない表現に依存している点を是正すること。
• 知識グラフ上で逐次的意思決定を用いて、ユーザーから推薦されたアイテムへの意味のある、人間が理解可能な経路を生成すること。
• 構造的な知識グラフ情報を利用しながら説明可能性を維持する中で、推薦性能を向上させること。
• 大規模なユーザー-アイテム-エンティティグラフにおける経路の全列挙の非実行可能性を、強化学習によって克服すること。
• 事前学習済み知識グラフ埋め込みを用いて、スパースな強化学習信号を強化する報酬設計メカニズムを設計すること。

提案手法

• Ekarは、ユーザーを初期状態とし、グラフエッジを行動とみなしてユーザー-アイテム経路生成を逐次的意思決定プロセスとして定式化する。
• 報酬の期待値を最大化するように、REINFORCEアルゴリズムを用いて方策ネットワークを学習する。学習にはユーザー-アイテム相互作用データを用いる。
• 報酬設計には、事前学習済みの知識グラフ埋め込みモデル（例：ConvE や DistMult）を用い、訓練中に濃密で情報豊富な信号を提供する。
• エンティティおよび関係の埋め込みを最先端のKGEモデルを用いて初期化し、報酬設計および方策の初期化に同時に使用する。
• 経路生成プロセスはエンドツーエンド微分可能であり、ユーザーからアイテムへの意味のあるマルチホップ推論経路を学習可能である。
• 説明は、自然言語で表現された経路（例：ユーザー → 映画 → エリア → 映画）の形で提供され、知識グラフに根ざしており人間が理解可能である。

実験結果

リサーチクエスチョン

• RQ1 強化学習に基づくアプローチは、知識グラフ拡張型推薦システムにおいて意味のある説明可能な推薦経路を生成できるか？
• RQ2 事前学習済み知識グラフ埋め込みを用いた報酬設計は、スパース環境における経路探索のサンプル効率および性能をどのように向上させるか？
• RQ3 Ekarは、正確性および説明可能性の観点で、既存の知識グラフベースの推薦モデルをどの程度上回るか？
• RQ4 提案手法は、異なる知識グラフ埋め込みアーキテクチャ（例：ConvE 対 DistMult）に対して堅牢か？
• RQ5 Ekarモデルの収束速度はどの程度で、データ密度の違いによって変化するか？

主な発見

• Ekarは3つの実世界データセットで最先端の性能を達成し、MovieLens-1MではHR@10が0.1994、NDCG@10が0.3699を記録。ConvE-Rec や DistMult-Rec を上回った。
• ConvEを用いたEkarは、DistMultを用いたEkarを上回り、知識グラフ補完タスクにおけるConvEの優位性と整合的であった。
• Ekar*（微調整済み方策を用いた）は最良の性能を示し、MovieLens-1MではHR@10が0.1994、NDCG@10が0.3699を達成した。これは方策の微調整による利点を示している。
• 密度の高いMovieLens-1Mデータセットでは10分以内に収束したが、DBbook2014のようなスパースなデータセットでは収束に時間がかかった。これはデータスパarsityが探索に与える影響を示している。
• 事例研究により、Ekarは直感的で人間が読みやすい経路（例：ユーザー → タイタニック → レオナルド・ディカプリオ → ロメオとジュリエット）を生成し、推薦の明確な説明を提供している。
• 本手法はモジュール型であり、特定のKGEモデルに依存しない。ConvEからDistMultに初期化および報酬設計を切り替えた場合でも、同等の性能を示した。