[論文レビュー] JSCN: Joint Spectral Convolutional Network for Cross Domain Recommendation

Zhiwei Liu, Lei Zheng+3 more|arXiv (Cornell University)|Oct 18, 2019

Recommender Systems and Techniques参考文献 38被引用数 4

ひとこと要約

本稿では、ユーザー・アイテムグラフにおけるマルチレイヤー周波数畳み込みを活用して高次結合情報を捉え、ドメイン適応型マッピングモジュールを介してドメイン不変のユーザー表現を共同で学習する、JSCN（ジョイントスペクトル畳み込みネットワーク）を提案する。24個のAmazonデータセットにおける実験では、最先端手法と比較して再現率が9.2%向上し、MAPが36.4%向上し、互換性のないドメイン間で知識を効果的に転送しつつ構造的結合性を保持するという、優れたクロスドメイン推薦性能を示している。

ABSTRACT

Cross-domain recommendation can alleviate the data sparsity problem in recommender systems. To transfer the knowledge from one domain to another, one can either utilize the neighborhood information or learn a direct mapping function. However, all existing methods ignore the high-order connectivity information in cross-domain recommendation area and suffer from the domain-incompatibility problem. In this paper, we propose a extbf{J}oint extbf{S}pectral extbf{C}onvolutional extbf{N}etwork (JSCN) for cross-domain recommendation. JSCN will simultaneously operate multi-layer spectral convolutions on different graphs, and jointly learn a domain-invariant user representation with a domain adaptive user mapping module. As a result, the high-order comprehensive connectivity information can be extracted by the spectral convolutions and the information can be transferred across domains with the domain-invariant user mapping. The domain adaptive user mapping module can help the incompatible domains to transfer the knowledge across each other. Extensive experiments on $24$ Amazon rating datasets show the effectiveness of JSCN in the cross-domain recommendation, with $9.2\%$ improvement on recall and $36.4\%$ improvement on MAP compared with state-of-the-art methods. Our code is available online ~\footnote{https://github.com/JimLiu96/JSCN}.

研究の動機と目的

• ドメイン間での知識転送によってレコメンデーションシステムにおけるデータスパarsity問題に対処する。
• 既存手法がクロスドメイン推薦において高次結合情報を見過ごしているという限界を克服する。
• 映画と衣料品の間でユーザー行動が顕著に異なるようなドメイン不適合問題を解決する。
• スペクトル畳み込みと適応的マッピングを用いて、ドメイン不変のユーザー表現を共同で学習し、転送性を向上させる。
• マルチソースドメイン学習の有効性と、モデルアーキテクチャの選択が性能に与える影響を実証する。

提案手法

• ユーザー・アイテム双方向グラフにマルチレイヤー周波数畳み込みを適用し、グラフフーリエ変換を用いて高次結合情報を抽出する。
• グラフラプラシアンおよびその固有ベクトルを用いて、ユーザーとアイテム間の非線形相互作用をモデル化するスペクトル表現を定義する。
• ドメイン固有のスペクトルベクトルを共有され、ドメインに依存しないユーザー表現空間に写像するドメイン適応型ユーザーマッピングモジュールを導入する。
• ドメイン内再構成損失とドメイン間アライメント損失の両方を最小化する共同最適化目的関数を定式化し、共有表現を学習する。
• ドメイン適応型モジュールに線形または非線形マッピング関数を実装し、アブレーションにより線形マッピングが過学習の低減により優れていることが示された。
• 複数のソースドメイン上で、確率的勾配降下法を用いてエンドツーエンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 スペクトル畳み込みは、クロスドメイン推薦において高次結合情報を効果的に捉えられるか？
• RQ2 ドメイン不変のユーザー表現を学習することで、互換性のないドメイン間での推薦性能が向上するか？
• RQ3 複数のソースドメインの導入が、クロスドメイン推薦モデルの性能に与える影響は何か？
• RQ4 異なる行動パターンを示すドメイン間での知識転送に、ドメイン適応型マッピングモジュールが与える影響は何か？
• RQ5 マッピング関数の選択（線形対非線形）が、モデルの一般化性能および性能に顕著な影響を与えるか？

主な発見

• 24個のAmazonデータセットにおいて、JSCNは最先端手法と比較して再現率が9.2%向上し、MAPが36.4%向上した。
• ドメイン適応型ユーザーマッピングモジュールは性能向上に顕著な寄与を示し、JSCN-βはJSCN-αに比べてMAPで最大10%、再現率で最大8%高い性能を示した。
• 複数のソースドメイン（例：ホーム＆キッチン＋健康・個人ケア）を用いることで、単一ソース学習と比較して平均で37.2%の性能向上が達成された。
• 3つのソースドメインを組み合わせた場合、2つのソースを組み合わせた場合に比べてわずかに性能が劣り、ドメインの密度と適合性がモデル性能に影響することが示された。
• ドメイン適応型モジュールにおける線形マッピングは、非線形MLPマッピングを上回り、低次元のスペクトルベクトルにおける過学習の低減が理由と考えられる。
• スペクトル畳み込みは高次結合性を効果的にモデル化でき、より良い好みの予測を可能にした—例えば、ドメイン間を横断するマルチホップパスに基づいてアイテムを正しくランク付けできた。