[論文レビュー] Hierarchical Hyperedge Embedding-based Representation Learning for Group Recommendation

Lei Guo, Hongzhi Yin+3 more|arXiv (Cornell University)|Mar 24, 2021

Recommender Systems and Techniques参考文献 61被引用数 11

ひとこと要約

本稿では、Occasional Group Recommendation (OGR) のための階層的ハイパーエッジ埋め込みベースのモデルであるHyperGroupを提案する。本モデルは、ユーザのソーシャルネットワークとハイパーグラフに基づくグループ表現学習を活用することで、スパarsityとグループ類似度の問題を解決する。GNNを用いたフレームワークにより、ユーザ-アイテムおよびグループ-アイテムの相互作用を同時に最適化し、実世界のデータセットにおいて最先端の性能を達成するとともに、収束性とスケーラビリティが向上している。

ABSTRACT

In this work, we study group recommendation in a particular scenario, namely Occasional Group Recommendation (OGR). Most existing works have addressed OGR by aggregating group members' personal preferences to learn the group representation. However, the representation learning for a group is most complex beyond the fusion of group member representation, as the personal preferences and group preferences may be in different spaces. In addition, the learned user representation is not accurate due to the sparsity of users' interaction data. Moreover, the group similarity in terms of common group members has been overlooked, which however has the great potential to improve the group representation learning. In this work, we focus on addressing the above challenges in group representation learning task, and devise a hierarchical hyperedge embedding-based group recommender, namely HyperGroup. Specifically, we propose to leverage the user-user interactions to alleviate the sparsity issue of user-item interactions, and design a GNN-based representation learning network to enhance the learning of individuals' preferences from their friends' preferences, which provides a solid foundation for learning groups' preferences. To exploit the group similarity to learn a more accurate group representation from highly limited group-item interactions, we connect all groups as a network of overlapping sets, and treat the task of group preference learning as embedding hyperedges in a hypergraph, where an inductive hyperedge embedding method is proposed. To further enhance the group-level preference modeling, we develop a joint training strategy to learn both user-item and group-item interactions in the same process. We conduct extensive experiments on two real-world datasets and the experimental results demonstrate the superiority of our proposed HyperGroup in comparison to the state-of-the-art baselines.

研究の動機と目的

• Occasional Group Recommendation (OGR) における、過去に履歴のないグループ-アイテム相互作用が極めてスパースな状況を解決すること。
• 重複するグループ構造を用いて、個々のユーザの好みとグループレベルの合意を同時にモデル化することで、グループ表現学習を向上させること。
• グラフニューラルネットワーク（GNN）を用いてユーザ同士のソーシャル相互作用を活用することで、ユーザの好みのスパarsityを軽減すること。
• 重複するメンバーによって定義されるグループ類似度を、ハイパーグラフにおけるハイパーエッジとしてのグループのモデル化により、より正確な好み埋め込みを実現すること。
• ユーザ-アイテムおよびグループ-アイテムの相互作用学習を同時に最適化することで、収束を早め、性能を向上させること。

提案手法

• 友人の好みを集約することで、個人のユーザ表現を向上させるGNNベースのネットワークを用い、ユーザ-アイテム相互作用のスパarsityを低減する。
• すべてのグループをハイパーグラフとしてモデル化し、各グループをメンバーを接続するハイパーエッジとして扱い、グループレベルの表現をハイパーエッジ埋め込みで実現する。
• 重複するユーザ集合からグループ表現を学ぶインダクティブなハイパーエッジ埋め込み法を提案し、共有メンバーを通じてグループ類似度を捉える。
• ユーザ-アイテムおよびグループ-アイテムの相互作用予測を同時に最適化するための共同学習戦略を開発し、モデルの効率性と表現品質を向上させる。
• 階層的アーキテクチャを採用：まずソーシャルGNNを用いてユーザ埋め込みを学習し、その後ハイパーエッジ学習によりグループ埋め込みを学習し、エンドツーエンドの訓練を実現する。
• 個々の好みモデル化（IPM）コンponentにおける特徴初期化は柔軟であり、実験により最終性能にほとんど影響しないことが示された。

実験結果

リサーチクエスチョン

• RQ1 高々スパースなグループ-アイテム相互作用データにおいて、どのようにグループ表現学習を向上させられるか？
• RQ2 ユーザのソーシャル相互作用を活用することで、個人の好み学習を向上させ、結果としてグループ推薦を改善できるか？
• RQ3 重複するメンバーによって定義されるグループ類似度を、どのように効果的にモデル化し、OGRにおけるグループ表現を向上させられるか？
• RQ4 ユーザ-アイテムおよびグループ-アイテムの相互作用の共同最適化は、収束を早め、性能を向上させるか？
• RQ5 提案されたHyperGroupモデルは、データサイズが異なる大規模データセットに対してもスケーラブルか？

主な発見

• HyperGroupはYelpおよびDouban-Eventの両データセットで最先端の性能を達成し、既存のSOTA手法を上回るグループ推薦の正確性を示した。
• モデルは急速に収束し、Yelpでは30イテレーション、Douban-Eventでは10イテレーションで最適性能に到達した。これは合理的で効率的な訓練スキームであることを示している。
• トレーニング時間はデータサイズにほぼ線形に比例し、大規模データセットにおいても優れたスケーラビリティを示した。
• 共同最適化戦略により、ユーザ-アイテムおよびグループ-アイテムの相互作用信号を活用することで、収束が加速され、性能が向上した。
• IPMコンponentにおける特徴初期化の選択が最終性能にほとんど影響しないことから、モデルの初期化に対して強いロバストネスを示した。
• ハイパーエッジ埋め込み法は、重複するメンバーを通じてグループ類似度を効果的に捉えており、低データ環境下でのグループ表現学習の向上に顕著に寄与した。