[論文レビュー] Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach

Le Wu, Yonghui Yang+4 more|arXiv (Cornell University)|May 25, 2020

Recommender Systems and Techniques参考文献 48被引用数 15

ひとこと要約

本稿では、欠損した属性を有するユーザ・アイテム二部グラフにおける連携的アイテム推薦および属性推定のための適応的グラフ畳み込みネットワーク（AGCN）を提案する。AGCNは、推定された属性値を用いてグラフ埋め込みを段階的に最適化し、弱い教師信号に基づいて属性を更新することで、実世界のデータセットにおいて推薦および推定性能を顕著に向上させる。

ABSTRACT

In many recommender systems, users and items are associated with attributes, and users show preferences to items. The attribute information describes users'(items') characteristics and has a wide range of applications, such as user profiling, item annotation, and feature-enhanced recommendation. As annotating user (item) attributes is a labor intensive task, the attribute values are often incomplete with many missing attribute values. Therefore, item recommendation and attribute inference have become two main tasks in these platforms. Researchers have long converged that user (item) attributes and the preference behavior are highly correlated. Some researchers proposed to leverage one kind of data for the remaining task, and showed to improve performance. Nevertheless, these models either neglected the incompleteness of user (item) attributes or regarded the correlation of the two tasks with simple models, leading to suboptimal performance of these two tasks. To this end, in this paper, we define these two tasks in an attributed user-item bipartite graph, and propose an Adaptive Graph Convolutional Network (AGCN) approach for joint item recommendation and attribute inference. The key idea of AGCN is to iteratively perform two parts: 1) Learning graph embedding parameters with previously learned approximated attribute values to facilitate two tasks; 2) Sending the approximated updated attribute values back to the attributed graph for better graph embedding learning. Therefore, AGCN could adaptively adjust the graph embedding learning parameters by incorporating both the given attributes and the estimated attribute values, in order to provide weakly supervised information to refine the two tasks. Extensive experimental results on three real-world datasets clearly show the effectiveness of the proposed model.

研究の動機と目的

• 推薦システムにおけるユーザおよびアイテム属性の不完全さが、有効なパーソナライゼーションおよびコールドスタート緩和を妨げるという課題に対処すること。
• 推薦と属性推定を別々のタスクとして扱うか、単純な相関関係に依存する既存モデルの限界を克服すること。
• アイテム推薦と属性推定の間の相互監視を活用して、両方のタスクの性能を向上させる統合フレームワークを開発すること。
• 属性データが疎で不完全な状況下でも、二部グラフ内の複雑な高次構造をモデル化すること。
• 埋め込みと属性推定の両方をフィードバックループ内で段階的に最適化する反復的かつ適応的な学習メカニズムを設計すること。

提案手法

• ノードがユーザおよびアイテムを表し、エッジがユーザ・アイテムの相互作用を表す属性付きユーザ・アイテム二部グラフ上で、タスクを連携学習問題として定式化する。
• 現在の属性推定値を用いて埋め込み学習を実行し、更新された埋め込みに基づいて属性値を精緻化する、交互に処理を行う適応的グラフ畳み込みネットワーク（AGCN）を提案する。
• 観測済みおよび予測済みの属性値をグラフ畳み込みプロセスに統合し、弱い教師信号を通じてノード表現学習を向上させる。
• レーティング予測損失と属性推定損失を組み合わせたマルチタスク損失関数を用い、各タスクへの寄与度を調整するバランスパラメータγを導入する。
• 高次近傍ノードからの情報を集約するために、学習可能なパラメータを有するグラフ畳み込み層を適用し、最適な性能を得るために深さKを調整する。
• 訓練の安定化と表現学習の向上を図るため、GCN層に正規化および活性化関数（例：ReLU）を適用する。

実験結果

リサーチクエスチョン

• RQ1 推薦と属性推定を独立したタスクとして扱うのと比較して、両者を連携して学習することで性能が向上するか？
• RQ2 属性推定とグラフ埋め込み学習の間の反復的フィードバックループが、モデル性能にどのように影響するか？
• RQ3 表現学習と過剰平滑化のバランスを考慮した場合、グラフ畳み込み層の最適な深さKは何か？
• RQ4 タスクバランスパラメータγが、推薦と属性推定の性能のトレードオフにどのように影響するか？
• RQ5 推定された属性を適応的に統合することで、モデルはどの程度データの疎らさやコールドスタート問題を緩和できるか？

主な発見

• AGCNは、Amazon-Video Games、Movielens-1M、Movielens-20Mの3つの実世界データセットにおいて、最先端のベースライン（GCNベースのモデルおよび分離された推薦/推定モデル）を上回る性能を達成した。
• データスパarsityが最も高い（レーティング密度0.028%）Amazon-Video Gamesでは、K=3が最適な性能を示し、高次近傍ノードの集約がスパarsity緩和に寄与していることが示された。
• Movielens-1MおよびMovielens-20Mでは、K=2が最適な性能を示した。K=4の深さでは過剰平滑化が生じ、特徴の過剰な拡散により性能が低下した。
• 最適なタスクバランスパラメータγはデータセットおよび属性タイプに依存し、性能がγ=0.001〜0.1の範囲でピークに達した。γ=0またはγ=1に設定した場合、監視の不均衡により性能が著しく低下した。
• AGCNにおける反復的フィードバック機構により、アイテム推薦（HR@10およびNDCG@10）および属性推定精度の両方で一貫した向上が見られた。これにより、連携学習の有効性が裏付けられた。
• アブレーションスタディの結果、静的属性入力やタスクの独立処理を行うモデルと比較して、適応的フィードバックを有する連携学習フレームワークが顕著に性能を向上させたことが確認された。