[論文レビュー] Explainable Reasoning over Knowledge Graphs for Recommendation

Xiang Wang, Dingxian Wang+4 more|arXiv (Cornell University)|Nov 12, 2018

Advanced Graph Neural Networks参考文献 27被引用数 80

ひとこと要約

Knowledge-aware Path Recurrent Network (KPRN) が、多段知識グラフのパス（エンティティと関係を含む）を推論してユーザーとアイテムの相互作用を予測し、推奨のパスレベルの説明を提供する。

ABSTRACT

Incorporating knowledge graph into recommender systems has attracted increasing attention in recent years. By exploring the interlinks within a knowledge graph, the connectivity between users and items can be discovered as paths, which provide rich and complementary information to user-item interactions. Such connectivity not only reveals the semantics of entities and relations, but also helps to comprehend a user's interest. However, existing efforts have not fully explored this connectivity to infer user preferences, especially in terms of modeling the sequential dependencies within and holistic semantics of a path. In this paper, we contribute a new model named Knowledge-aware Path Recurrent Network (KPRN) to exploit knowledge graph for recommendation. KPRN can generate path representations by composing the semantics of both entities and relations. By leveraging the sequential dependencies within a path, we allow effective reasoning on paths to infer the underlying rationale of a user-item interaction. Furthermore, we design a new weighted pooling operation to discriminate the strengths of different paths in connecting a user with an item, endowing our model with a certain level of explainability. We conduct extensive experiments on two datasets about movie and music, demonstrating significant improvements over state-of-the-art solutions Collaborative Knowledge Base Embedding and Neural Factorization Machine.

研究の動機と目的

• 知識グラフが直接のユーザー-アイテム相互作用を超えてレコメンダーシステムを強化できるかを調査する。
• ユーザーとアイテムを結ぶ多段のパスの連続的意味をモデル化する。
• パスの寄与を重み付けしてプーリングすることでパスレベルの説明を提供する。
• 埋め込みのみの手法に対して明示的なパス推論が推奨精度を向上させることを示す。
• KG駆動型レコメンデーション研究を支援するデータセットとコードを公開する。

提案手法

• Knowledge-aware Path Recurrent Network (KPRN) を提案し、エンティティと関係の意味を組み合わせてパス表現を構築する。
• 各パスをエンティティと関係の埋め込みの系列として表現し、LSTM に入力して逐次依存関係を捉える。
• パススコアに対して重み付きプーリング（log-sum-exp）を用いてパスの証拠を集約し、説明可能性を実現する。
• 負の対数尤度と L2 正則化を用いた二値分類目的でエンドツーエンドに学習する。
• パス抽出のために KG をユーザー-item 相互作用と統合した強化知識グラフにマージする。
• movie および music データセットで KPRN を MF、NFM、CKE、FMG のベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 RQ1: KPRN は最先端の KG 強化レコメンド手法と比較してどのように性能があるか？
• RQ2 RQ2: 多段のパスをモデリングし、関係意味を取り入れることが KPRN の性能にどう影響するか？
• RQ3 RQ3: KPRN はパス上で推論してユーザーの嗜好を推定し、推奨の説明を提供できるか？

主な発見

• KPRN は top-K 推奨メトリクスでベースラインを大幅に上回り、埋め込みのみの手法に対するパスベースの推論の利点を示している。
• 関係モデリングの含有（KPRN 対 KPRN-r）は性能を向上させ、特に異なる関係を持つ多くのパスがユーザーとアイテムを結ぶ密度の高いデータセットで顕著である。
• 重み付きプーリングはパスごとの重要度を可能にし、最大型と平均型の集約の柔軟性を提供し、推奨品質に影響を与える。
• ケーススタディは、Ed Sheeran が歌っている曲である、または以前に視聴した items に類似している等の明示的な知識パスに基づく推論を強調し、説明を生成できることを示す。
• 実験は、メタグラフベースの FMG がこの設定で劣ることを示し、一方で CKE は KG 統合によって利益を得るが、hit と ndcg の両方の指標で KPRN に敗れている。