[論文レビュー] Graph Neural Networks in Recommender Systems: A Survey

Shiwen Wu, Fei Sun+3 more|arXiv (Cornell University)|Nov 4, 2020

Advanced Graph Neural Networks被引用数 109

ひとこと要約

GNNベースの推薦システムの包括的な調査で、情報タイプとタスクによる分類法を提案し、課題・モデル・今後の方向性を論じる。

ABSTRACT

With the explosive growth of online information, recommender systems play a key role to alleviate such information overload. Due to the important application value of recommender systems, there have always been emerging works in this field. In recommender systems, the main challenge is to learn the effective user/item representations from their interactions and side information (if any). Recently, graph neural network (GNN) techniques have been widely utilized in recommender systems since most of the information in recommender systems essentially has graph structure and GNN has superiority in graph representation learning. This article aims to provide a comprehensive review of recent research efforts on GNN-based recommender systems. Specifically, we provide a taxonomy of GNN-based recommendation models according to the types of information used and recommendation tasks. Moreover, we systematically analyze the challenges of applying GNN on different types of data and discuss how existing works in this field address these challenges. Furthermore, we state new perspectives pertaining to the development of this field. We collect the representative papers along with their open-source implementations in https://github.com/wusw14/GNN-in-RS.

研究の動機と目的

• 推奨システムにおけるグラフ構造データをモデル化するためにグラフニューラルネットワークの利用を動機づける。
• 情報タイプとタスクに基づくGNNベースの推奨モデルの体系的な分類法を提供する。
• ソーシャル・知識グラフなどのさまざまなデータモダリティへGNNを適用する際の中核的課題を特定し、解決策を論じる。
• 代表的なモデル・データセット・評価手法を要約し、今後の研究と実践を導く。
• GNNベースの推奨を進化させるための9つの潜在的な将来方向性を概説する。

提案手法

• 情報タイプと推奨タスク（ユーザー・アイテム協調フィルタリング、シーケンシャル、ソーシャル、知識グラフベース、およびその他のタスク）でモデルを分類する新しい分類法を提示する。
• 5つのGNN技術カテゴリー（GCN、GraphSAGE、GAT、GGNN、HGNN）をレビュー・要約し、推奨への関連性を示す。
• GNNベースの推奨モデルにおけるグラフ構築戦略、近傍集約手法、情報更新メカニズムを論じる。
• 拡張性・ヘテロゲニティ・高次接続性などの課題を分析し、既存研究がどのように対処しているかを検討する。
• GNNベースの推奨研究で用いられるベンチマークデータセットと評価指標の概要を提供する。
• 観察されたギャップと傾向に基づく今後の研究方向性の指針を示す。

実験結果

リサーチクエスチョン

• RQ1 GNNベースの推奨システムを構築する際に支配的な情報タイプは何で、それらは推奨タスクにどう対応するか？
• RQ2 異なるGNNアーキテクチャ（GCN、GraphSAGE、GAT、GGNN、HGNN）は、さまざまな推奨設定でどのように性能を示し、どのような課題（拡張性、ヘテロゲニティ、高次関係）が生じるか？
• RQ3 推奨性能を向上させるためのグラフ構築と近傍集約の戦略は何か？
• RQ4 GNNベースの推奨システムの標準データセットと評価手法は何か、実世界の展開例はその有用性をどう示すか？

主な発見

• 著者は情報タイプとタスク（5つのカテゴリ）でGNNベースの推奨モデルを整理する新しい分類法を提案する。
• この調査は代表的なモデルの総合的なレビューを提供し、各カテゴリの中核的課題にどのように対処しているかを強調する。
• 彼らはGNNベースの推奨システムにおける今後の研究を導く9つの潜在的な将来方向性を特定する。
• 本論文は、グラフ構築、近傍サンプリング、スケーラビリティのための集約手法を含む実用的な展開の考慮事項を論じる。
• 彼らはグラフ学習の進展を推奨システムのニーズとデータ特性に結び付けることで現状を統合する。