[論文レビュー] Heterogeneous Graph Collaborative Filtering

Zekun Li, Yujia Zheng+3 more|arXiv (Cornell University)|Nov 13, 2020

Recommender Systems and Techniques参考文献 31被引用数 4

ひとこと要約

本稿では、ユーザーとアイテムの相互作用およびユーザー同士の行動的類似性を統合的な非均質的グラフとしてモデル化するGCNベースのフレームワーク、Heterogeneous Graph Collaborative Filtering (HGCF) を提案する。ユーザー類似性を明示的に符号化し、グラフの接続性を向上させることで、高次接続性モデリングへの依存を低減し、層数を減らして過剰平滑化やスパarsity問題を緩和しつつ、最先端の性能を達成する。

ABSTRACT

Graph-based collaborative filtering (CF) algorithms have gained increasing attention. Existing work in this literature usually models the user-item interactions as a bipartite graph, where users and items are two isolated node sets and edges between them indicate their interactions. Then, the unobserved preference of users can be exploited by modeling high-order connectivity on the bipartite graph. In this work, we propose to model user-item interactions as a heterogeneous graph which consists of not only user-item edges indicating their interaction but also user-user edges indicating their similarity. We develop heterogeneous graph collaborative filtering (HGCF), a GCN-based framework which can explicitly capture both the interaction signal and similarity signal through embedding propagation on the heterogeneous graph. Since the heterogeneous graph is more connected than the bipartite graph, the sparsity issue can be alleviated and the demand for expensive high-order connectivity modeling can be lowered. Extensive experiments conducted on three public benchmarks demonstrate its superiority over the state-of-the-arts. Further analysis verifies the importance of user-user edges in the graph, justifying the rationality and effectiveness of HGCF.

研究の動機と目的

• 従来の二部グラフベースの協調フィルタリング手法には、ユーザー行動類似性を明示的にモデル化できないという限界があり、高次接続性モデリングに起因するスパarsity問題と高い計算コストに直面していることに対処すること。
• ユーザーとアイテムの相互作用およびユーザー同士の類似関係を統合した、より接続性の高い非均質的グラフを構築することで、推薦性能を向上させること。
• 非均質的グラフの向上した接続性を活用して、深層GCN層への依存を低減することで、過剰平滑化を回避し、効率を向上させること。
• 非均質的グラフにおけるユーザー同士のエッジ重み付けに適した類似度測定法およびグラフ構築戦略の有効性を実証的に検証すること。

提案手法

• 行動類似性に基づいてユーザー同士のエッジを追加することで、標準的なユーザー・アイテム二部グラフを拡張した非均質的グラフを構築し、エッジ重みはポイントワイズ相互情報量（PMI）を用いて計算する。
• 非均質的グラフ上でエンドツーエンドの埋め込み学習を実行するため、グラフ畳み込みネットワーク（GCN）を適用し、相互作用信号と類似性信号の両方を統合的に伝搬可能にする。
• HGCFでは2層のGCNアーキテクチャを採用しており、非均質的グラフの高い接続性のおかげで、最適性能を達成するのに十分である。
• ユーザー同士の類似性をPMIで計算し、コサイン類似度やジャカード類似度と比較して、正負の値を許容することで、より優れた区別能を発揮する。
• グラフのスパarsityを制御するため、類似度の閾値を適用し、過学習と情報保持のバランスを取る。
• 非均質的グラフ構造を活用して、低次の接続性を通じて間接的なユーザー好みを捉えることで、計算負荷を低減する。

実験結果

リサーチクエスチョン

• RQ1 非均質的グラフにユーザー同士の行動類似性を明示的にモデル化することで、従来の二部グラフベース手法と比較して推薦性能にどのような影響を与えるか？
• RQ2 非均質的グラフにおけるユーザー同士のエッジ構築に最適な類似度測定法（例：PMI、コサイン類似度、ジャカード類似度）は何か？
• RQ3 類似度の閾値の選択がモデル性能およびグラフのスパarsityに与える影響は何か？
• RQ4 非均質的グラフ上で浅いGCN（例：2層）が、二部グラフ上で深いGCNと比較して高次接続性を効果的に捉えられるか？
• RQ5 非均質的グラフは、GCNベースの協調フィルタリングにおけるスパarsity問題と過剰平滑化をどの程度軽減できるか？

主な発見

• HGCFは、Gowalla、Yelp2018、Amazon-Bookの3つの公開ベンチマークで最先端の性能を達成し、既存のSOTA手法を上回る。
• PMIを類似度測定法として用いることで、全データセットで最良の性能を発揮し、Gowallaでは再現率0.1614、NDCGが0.2330を記録し、コサイン類似度やジャカード類似度を上回る。
• グラフ構築の最適な類似度閾値はデータセットに依存し、Gowallaではt=0、Yelp2018ではt=0.5でピーク性能を示し、スパarsityと情報保持のトレードオフが顕在化する。
• HGCFは2層のGCNで最適性能を達成するが、二部グラフ上で動作するNGCFは3層または4層を必要としており、高次接続性モデリングへの依存が低いことが示された。
• HGCFでは2層を超えると性能が低下し、高密度なグラフにおける過剰平滑化が顕在化する一方、NGCFは最適な深さを超えて一貫した性能低下を示す。
• 非均質的グラフの構築により、深層GCNスタックの必要性が顕著に低減され、接続性の向上が高次モデリングのニーズを低下させつつ、性能を維持または向上させることを実証した。