[論文レビュー] Graph Learning based Recommender Systems: A Review

Shoujin Wang, Liang Hu+7 more|arXiv (Cornell University)|May 13, 2021

Recommender Systems and Techniques参考文献 59被引用数 11

ひとこと要約

この論文は、グラフ構造を活用してユーザーとアイテムの相互作用およびサイド情報のモデリングを行うことで、推薦精度、信頼性、説明可能性を向上させるGraph Learningベースのレコメンデーションシステム（GLRS）について包括的なレビューを提供している。グラフ表現とGNNやランダムウォークなどのグラフ学習技術を用いてGLRSを形式化することで、課題を体系化し、最先端の手法を分類し、リアルタイムシステム向けに動的・因果的・クロスドメイン的・スケーラブルなグラフ学習という重要な今後の方向性を提示している。

ABSTRACT

Recent years have witnessed the fast development of the emerging topic of Graph Learning based Recommender Systems (GLRS). GLRS employ advanced graph learning approaches to model users' preferences and intentions as well as items' characteristics for recommendations. Differently from other RS approaches, including content-based filtering and collaborative filtering, GLRS are built on graphs where the important objects, e.g., users, items, and attributes, are either explicitly or implicitly connected. With the rapid development of graph learning techniques, exploring and exploiting homogeneous or heterogeneous relations in graphs are a promising direction for building more effective RS. In this paper, we provide a systematic review of GLRS, by discussing how they extract important knowledge from graph-based representations to improve the accuracy, reliability and explainability of the recommendations. First, we characterize and formalize GLRS, and then summarize and categorize the key challenges and main progress in this novel research area. Finally, we share some new research directions in this vibrant area.

研究の動機と目的

• データ駆動的視点から、Graph Learningベースのレコメンデーションシステム（GLRS）における課題と進展を体系化すること。
• 一般の相互作用、順序付き相互作用、サイド情報データといったデータタイプに基づいて、既存のGLRS手法を分類すること。
• 動的グラフ学習、因果推論、マルチプレックスネットワーク、大規模オンライン処理といった、GLRSにおける未解決の研究課題を特定・議論すること。
• グラフ構造とグラフ学習モデルを用いてGLRSを統一的に形式化すること。
• 高度なグラフ学習技術を活用して、推薦の説明可能性、信頼性、スケーラビリティを向上させること。

提案手法

• ノードがユーザー、アイテム、属性を表し、エッジが相互作用や関係を表すグラフ $\mathcal{G} = \{\mathcal{V}, \mathcal{E}\}$ としてGLRSを形式化する。
• グラフニューラルネットワーク（GNNs）、ランダムウォーク、その他のグラフ学習技術を用いて、$\mathcal{G}$ からトポロジカルおよびコンテンツベースの表現を抽出する。
• 目的関数 $f(M(\Theta)\mid\mathcal{G})$ を用いて、推薦モデル $M(\Theta)$ が推薦 $\mathcal{R}$ を最適化するように学習する。例として、利便性の最大化やリンク予測確率の最大化が挙げられる。
• データを3つのクラスに分類する：一般の相互作用データ、順序付き相互作用データ、サイド情報データ。各データタイプには異なるグラフ表現のニーズがある。
• eコマース、ソーシャル、ロケーションベースのドメインにおけるGLRSの応用を評価・可視化するために、実世界のデータセット（Amazon、Yelp、Gowalla、Diginetica）を活用する。
• 今後の手法的アプローチとして、動的グラフ向けの自己進化モデル、説明可能性向けの因果グラフ学習、クロスドメイン推薦向けのマルチプレックスグラフ学習、大規模オンライン処理向けの効率的アルゴリズムを提案する。

実験結果

リサーチクエスチョン

• RQ1 グラフ学習技術は、レコメンデーションシステムにおけるユーザーの好みとアイテムの特徴を効果的にモデリングするためにどのように適用可能か？
• RQ2 一般、順序付き、サイド情報といった多様なデータタイプをグラフベースのレコメンデーションシステムで表現する際の主な課題は何か？
• RQ3 従来の協調フィルタリングやコンテンツベースフィルタリングと比較して、グラフ学習手法は推薦の正確性、信頼性、説明可能性をどのように向上させるか？
• RQ4 動的・因果的・クロスドメイン的・大規模オンライン環境においてGLRSを進歩させるために、最も有望な今後の研究方向性は何か？
• RQ5 レコメンデーションシステムにおける異種関係の統一的表現を実現するために、どのようにグラフ構造を形式化できるか？

主な発見

• GLRSは、ユーザー、アイテム、属性間の複雑な関係的構造をグラフ表現を用いてモデリングすることで、推薦パフォーマンスを顕著に向上させる。
• グラフニューラルネットワークとランダムウォークは、ユーザー・アイテム相互作用グラフにおけるトポロジカルおよび関係的パターンを効果的に捉えることができる。
• ユーザーのプロフィールやアイテムの属性といったサイド情報は、異種グラフに統合することで、推薦の質と耐障害性を向上させることができる。
• クリックストリームのような順序付き相互作用データは、時間的ダイナミクスとユーザー行動の順序をモデリングすることで、グラフ学習によって恩恵を受ける。
• ユーザーとアイテムの関係が時間とともに変化する動的グラフを扱う点で、既存のGLRSには課題が残っており、自己進化モデルの開発が求められている。
• 因果グラフ学習とマルチプレックスグラフ学習は、それぞれ説明可能性とクロスドメイン推薦のための重要なエンablerとして浮上している。