[論文レビュー] HGCH: A Hyperbolic Graph Convolution Network Model for Heterogeneous Collaborative Graph Recommendation

Lu Zhang, Ning Wu|arXiv (Cornell University)|Apr 6, 2023

Recommender Systems and Techniques被引用数 7

ひとこと要約

本稿では、ノード初期化にパワー則事前分布を活用し、ジロミッドポイント法による双曲空間内での情報伝達、および補助情報のゲート統合を組み合わせたハイパーオニック・グラフ畳み込みネットワーク（HGCC）を提案する。本手法は、双曲空間における階層的かつ長尾型のユーザ・アイテム相互作用構造をより良くモデル化することで、4つの実世界データセットで最先端の性能を達成する。

ABSTRACT

User-item interaction data in collaborative filtering and graph modeling tasks often exhibit power-law characteristics, which suggest the suitability of hyperbolic space modeling. Hyperbolic Graph Convolution Neural Networks (HGCNs) are a novel technique that leverages the advantages of GCN and hyperbolic space, and then achieves remarkable results. However, existing HGCN methods have several drawbacks: they fail to fully leverage hyperbolic space properties due to arbitrary embedding initialization and imprecise tangent space aggregation; they overlook auxiliary information that could enrich the collaborative graph; and their training convergence is slow due to margin ranking loss and random negative sampling. To overcome these challenges, we propose Hyperbolic Graph Collaborative for Heterogeneous Recommendation (HGCH), an enhanced HGCN-based model for collaborative filtering that integrates diverse side information into a heterogeneous collaborative graph and improves training convergence speed. HGCH first preserves the long-tailed nature of the graph by initializing node embeddings with power law prior; then it aggregates neighbors in hyperbolic space using the gyromidpoint method for accurate computation; finally, it fuses multiple embeddings from different hyperbolic spaces by the gate fusion with prior. Moreover, HGCH employs a hyperbolic user-specific negative sampling to speed up convergence. We evaluate HGCH on four real datasets, and the results show that HGCH achieves competitive results and outperforms leading baselines, including HGCNs. Extensive ablation studies further confirm its effectiveness.

研究の動機と目的

• 既存の双曲GCNが双曲空間の曲率を十分に活用せず、協調フィルタリングにおいて補助情報を無視するという限界を是正すること。
• ユーザ・アイテム相互作用および補助情報（例：共購入、友人関係）の階層的かつパワー則的性質を、双曲幾何を用いてモデル化すること。
• 構造的事前分布を組み込むことでノード表現学習を向上させ、双曲空間内での正確な情報集約を可能にすること。
• 異なる補助情報グラフからの複数の双曲埋め込みを、事前知識を組み込んだ学習可能なゲートを用いて統合すること。

提案手法

• パワー則事前分布に基づく初期化により、人気度に応じたノード埋め込みが割り当てられ、双曲空間の階層的構造と整合する。
• 双曲空間内での情報伝達は、接空間近似を避けるためにジロミッドポイント法を用いて、直接的に近隣ノードを集約する。
• 異なるエッジタイプ（例：ユーザ-アイテム、アイテム-アイテム、ユーザ-ユーザ）を別々にモデル化するために、複数の双曲部分空間を用いる。
• 事前知識を組み込んだゲート統合により、異なる部分空間からの埋め込みを統合し、学習の安定性と性能を向上させる。
• 異種協調グラフ内の高階連結性を捉えるために、複数層をスタックする。
• 推薦タスクの最終スコア予測には、ポアンカレ距離を用いる。

実験結果

リサーチクエスチョン

• RQ1 パワー則事前分布は、協調フィルタリングにおける双曲GCNのノード初期化を改善できるか？
• RQ2 ジロミッドポイント法による直接的な双曲空間内集約は、接空間近似に比べてより正確な情報伝達を実現するか？
• RQ3 複数のエッジタイプからの補助情報は、効果的に統合可能で、推薦性能を向上させられるか？
• RQ4 事前知識を組み込んだゲート統合は、標準的な統合手法に比べて優れた性能を発揮するか？

主な発見

• HGDCは、4つの実世界データセットにおいて、標準的および双曲GCNを含むすべてのベースラインを上回り、最先端の性能を達成する。
• アブレーションスタディの結果、接空間近似に比べて双曲空間内伝達（HGCN+HI）が性能を顕著に向上させることが示された。
• パワー則事前分布に基づく初期化（HGCN+PI）は、特にAmazon-Bookにおいて顕著な性能向上をもたらし、初期埋め込みを導く有効性が裏付けられた。
• パワー則初期化と双曲伝達の組み合わせ（HGCN+PI+HI）は、Amazon-Bookではさらなる性能向上をもたらしたが、Yelp2022では顕著でなかったため、データセット依存の行動が示唆された。
• 事前知識を組み込んだゲート統合（HGCC+）は、標準的なゲート統合およびベースラインモデルを上回る最高の性能を達成し、全データセットにわたり高いロバスト性を示した。
• 可視化により、パワー則初期化および補助情報が、ポアンカレ円板の原点付近に人気アイテムを集約することが確認され、双曲幾何と整合し、分類の分離性が向上していることが示された。