[論文レビュー] Inhomogeneous Social Recommendation with Hypergraph Convolutional Networks

Zirui Zhu, Chen Gao+4 more|arXiv (Cornell University)|Nov 5, 2021

Recommender Systems and Techniques参考文献 47被引用数 9

ひとこと要約

本稿では、ハイパーグラフ畳み込みネットワークを用いて非一様なソーシャルインフルエンスをモデル化する、新しいソーシャルレコメンデーションモデルSHGCNを提案する。ユーザーとアイテム、およびユーザーの三重関係をハイパーエッジとして表現することで、細分化された、アイテム固有のソーシャル好みを捉える。この手法は推薦性能を顕著に向上させ、データスパarsityを軽減し、2つの実世界データセットにおいて既存モデルを上回る性能を発揮する。

ABSTRACT

Incorporating social relations into the recommendation system, i.e. social recommendation, has been widely studied in academic and industrial communities. While many promising results have been achieved, existing methods mostly assume that the social relations can be homogeneously applied to all the items, which is not practical for users' actually diverse preferences. In this paper, we argue that the effect of the social relations should be inhomogeneous, that is, two socially-related users may only share the same preference on some specific items, while for the other products, their preferences can be inconsistent or even contradictory. Inspired by this idea, we build a novel social recommendation model, where the traditional pair-wise "user-user'' relation is extended to the triple relation of "user-item-user''. To well handle such high-order relations, we base our framework on the hypergraph. More specifically, each hyperedge connects a user-user-item triplet, representing that the two users share similar preferences on the item. We develop a Social HyperGraph Convolutional Network (short for SHGCN) to learn from the complex triplet social relations. With the hypergraph convolutional networks, the social relations can be modeled in a more fine-grained manner, which more accurately depicts real users' preferences, and benefits the recommendation performance. Extensive experiments on two real-world datasets demonstrate our model's effectiveness. Studies on data sparsity and hyper-parameter studies further validate our model's rationality. Our codes and dataset are available at https://github.com/ziruizhu/SHGCN.

研究の動機と目的

• 既存のソーシャルレコメンデーションモデルがすべてのアイテムに対して一様なソーシャルインフルエンスを仮定しているという制限を解消すること。
• 友人が特定のアイテムでのみ好みを共有するような、細分化された、アイテム固有のソーシャルインフルエンスをモデル化すること。
• 二項のユーザー同士の関係よりも、ユーザー・アイテム・ユーザーの三重関係をより効果的に捉えるフレームワークを構築すること。
• ハイパーグラフ表現を用いて、複雑で高次のソーシャル相互作用を活用することで、推薦性能を向上させること。
• モデルのデータスパarsityおよびハイパーパrameter設定に対するロバストネスを検証すること。

提案手法

• 各ハイパーエッジが、2人のユーザーと1つのアイテムを接続するハイパーグラフを構築し、その2人がそのアイテムに対して類似した好みを持つことを表現する。
• 各ハイパーエッジが三重関係をエンコードし、個々のアイテム固有の非一様なインフルエンスを捉える。
• ハイパーグラフ構造上でメッセージパッシングと埋め込み集約を実行するためのソーシャルハイパーグラフ畳み込みネットワーク（SHGCN）を設計する。
• メッセージパッシングの過程で、異なるハイパーエッジからの寄与度を学習可能なアテンションメカニズムで重み付けする。
• ハイパーエッジに沿った埋め込み伝搬により、ユーザーおよびアイテムの表現を、そのソーシャルおよび相互作用的文脈に基づいて更新する。
• 最終的なユーザーおよびアイテム埋め込みは、ドット積スコアリングを用いて下流の推薦に使用される。

実験結果

リサーチクエスチョン

• RQ1 ユーザー・アイテム・ユーザーの三重関係を用いて非一様なソーシャルインフルエンスをモデル化することで、一様なソーシャルモデルと比較して推薦性能が向上するか？
• RQ2 ハイパーグラフベースのフレームワークは、推薦における複雑で高次のソーシャル関係をどれほど効果的に表現できるか？
• RQ3 提案されたSHGCNモデルは、ソーシャルレコメンデーションにおけるデータスパarsityの影響を軽減するか？
• RQ4 モデルの性能はハイパーパrameter設定に対してどれほど感受的か？
• RQ5 グループベースの相互作用（例：グループ購入）を含む実世界のシナリオにも一般化可能か？

主な発見

• SHGCNは2つの実世界データセットにおいて最先端の性能を達成し、既存のソーシャルレコメンデーションモデルよりも推薦精度で優れている。
• モデルはデータスパarsity問題を顕著に軽減し、限られた相互作用データでもロバストであることが示された。
• アブレーションスタディにより、二項のユーザー同士の関係のみではなく、三重関係（ユーザー・アイテム・ユーザー）をモデル化することが性能向上に寄与していることが確認された。
• ハイパーパrameterスタディでは、SHGCNがハイパーパrameter設定に対して過度に感受的でないことが示され、良好な一般化性能を示している。
• モデルは、特定のアイテムでのみ社会的つながりが影響を及ぼすような、細分化されたソーシャルインフルエンスを効果的に捉えている。