[論文レビュー] Graph Neural Networks for Social Recommendation

Wenqi Fan, Yao Ma+5 more|arXiv (Cornell University)|Feb 19, 2019

Advanced Graph Neural Networks参考文献 42被引用数 60

ひとこと要約

GraphRec は 社会的推奨のためのグラフニューラルネットワークフレームワークで、ユーザー-アイテム相互作用グラフとユーザー-ユーザーのソーシャルグラフを、意見を意識した相互作用と注意機構で同時にモデル化し、Ciao と Epinions のベースラインより優れた性能を達成します。

ABSTRACT

In recent years, Graph Neural Networks (GNNs), which can naturally integrate node information and topological structure, have been demonstrated to be powerful in learning on graph data. These advantages of GNNs provide great potential to advance social recommendation since data in social recommender systems can be represented as user-user social graph and user-item graph; and learning latent factors of users and items is the key. However, building social recommender systems based on GNNs faces challenges. For example, the user-item graph encodes both interactions and their associated opinions; social relations have heterogeneous strengths; users involve in two graphs (e.g., the user-user social graph and the user-item graph). To address the three aforementioned challenges simultaneously, in this paper, we present a novel graph neural network framework (GraphRec) for social recommendations. In particular, we provide a principled approach to jointly capture interactions and opinions in the user-item graph and propose the framework GraphRec, which coherently models two graphs and heterogeneous strengths. Extensive experiments on two real-world datasets demonstrate the effectiveness of the proposed framework GraphRec. Our code is available at \url{https://github.com/wenqifan03/GraphRec-WWW19}

研究の動機と目的

• 推奨システムを強化するために社会的関係を活用する動機づけ。
• ユーザー-アイテムの相互作用とソーシャル接続を統合する統一的な GNN フレームワークを開発する。
• ユーザー-アイテムグラフにおける相互作用と意見の両方を捉え、異質なソーシャル結びつきの強さを考慮する。
• 実世界データセット上で GraphRec の有効性を示し、強力なベースラインと比較する。

提案手法

• ユーザーモデリング、アイテムモデリング、評価予測の3つの構成要素を備えた GraphRec を提案する。
• ユーザー-item グラフからのアイテム集約とソーシャルグラフからのソーシャル集約の2種類の集約を用いてユーザー潜在因子を学習する。
• MLP を介してアイテム埋め込みと意見埋め込みを融合させることにより、意見を意識した相互作用表現を導入する。
• 個別化された集約のために、相互作用の重み付け（α）とソーシャル結びつきの重み付け（β）を実現する注意機構を実装する。
• 注意付きの意見を意識した相互作用に基づくユーザー集約を通じてアイテム潜在因子を学習し、連結したユーザーとアイテムの因子を用いた MLP で評価を予測する。
• ユーザー・アイテム・意見の埋め込みを共同で学習し、二乗損失に対して RMSprop で最適化する。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルリコメンダのための単一のGNNフレームワークで、2つの異種グラフ（ユーザー-アイテムとユーザー-ユーザー）を一貫してどのようにモデリングできるか？
• RQ2 ユーザー-アイテム相互作用に関する意見情報を組み込んで、ユーザー/アイテムの表現と評価予測を改善できるか？
• RQ3 相互作用とソーシャル結びつきに対する注意機構は、学習された表現の質を向上させるか？
• RQ4 実世界データセット上で、GraphRec の経験的性能は伝統的およびニューラルネットワークベースのソーシャルリコメンダ系と比べてどうか？

主な発見

• GraphRec は RMSE と MAE で Ciao および Epinions のベースライン手法を一貫して上回る。
• ソーシャルネットワーク情報を取り入れることで、レーティングデータのみを用いるモデルより推奨性能が向上する。
• ユーザー-アイテム相互作用の意見情報を含めると追加の予測向上が得られる。
• アイテムレベルの相互作用とソーシャル結びつきの両方の注意メカニズムが性能の向上に寄与する。
• ソーシャル情報または意見をいずれかを除いたアブレーション変種は性能低下を示し、それらの重要性を強調している。