[論文レビュー] Knowledge-aware Neural Collective Matrix Factorization for Cross-domain Recommendation

Li Zhang, Ge Yan+3 more|arXiv (Cornell University)|Jun 27, 2022

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、知識グラフ（KGs）を統合することで、KG構造化知識からドメイン固有およびドメイン汎用のアイテム表現を同時に学習することにより、クロスドメイン推薦を向上させる、知識に配慮したニューラルコラテラル行列分解フレームワーク、KG-NeuCMFを提案する。グラフオートエンコーダーとユーザー・アイテム相互作用およびKG埋め込み間の相互情報最大化を活用することで、最先端のベースラインを著しく上回り、コールドスタートおよびスパースな状況においてMAEで最大21%の相対的改善を達成する。

ABSTRACT

Cross-domain recommendation (CDR) can help customers find more satisfying items in different domains. Existing CDR models mainly use common users or mapping functions as bridges between domains but have very limited exploration in fully utilizing extra knowledge across domains. In this paper, we propose to incorporate the knowledge graph (KG) for CDR, which enables items in different domains to share knowledge. To this end, we first construct a new dataset AmazonKG4CDR from the Freebase KG and a subset (two domain pairs: movies-music, movie-book) of Amazon Review Data. This new dataset facilitates linking knowledge to bridge within- and cross-domain items for CDR. Then we propose a new framework, KG-aware Neural Collective Matrix Factorization (KG-NeuCMF), leveraging KG to enrich item representations. It first learns item embeddings by graph convolutional autoencoder to capture both domain-specific and domain-general knowledge from adjacent and higher-order neighbours in the KG. Then, we maximize the mutual information between item embeddings learned from the KG and user-item matrix to establish cross-domain relationships for better CDR. Finally, we conduct extensive experiments on the newly constructed dataset and demonstrate that our model significantly outperforms the best-performing baselines.

研究の動機と目的

• 共通ユーザーのみまたはマッピング関数に依存する既存のクロスドメイン推薦（CDR）モデルの限界を解決する。これらはドメイン間のアイテム間の豊富な意味的関係を活用できない。
• 双方向CDRにおける負の転送を克服するため、ドメイン汎用およびドメイン固有の知識を共有する自然なブリッジとして知識グラフ（KGs）を統合する。
• ユーザー・アイテム相互作用行列から学習したアイテム表現と、KGから導出された表現を統一的に整列させることで、クロスドメイン推薦性能を向上させる包括的なフレームワークを開発する。
• KGに配慮したクロスドメイン推薦における再現可能性を高めるために、公開可能な新規ベンチマークデータセット、AmazonKG4CDRを構築する。
• ユーザー相互作用データが限られている場合でも有用な情報を持つKGベースのアイテム表現を活用することで、コールドスタートおよびデータスパースな状況での性能を向上させる。

提案手法

• Freebase KGとAmazonレビュー・データの2つのドメインペア（映画−音楽、映画−図書）を統合することで、共有エンティティおよび関係を介したクロスドメインアイテムリンクを可能にするAmazonKG4CDRデータセットを構築する。
• 関係型グラフ畳み込みオートエンコーダー（RGCNベース）を用いて、KGからのアイテム埋め込みを学習し、ドメインをまたがる隣接および高階近傍情報の両方を捉える。
• ユーザー・アイテム相互作用行列からのアイテム埋め込みとKGからの埋め込みの間の相関を最大化するためのニューラル相互情報推定器を導入し、効果的なクロスドメイン整列を確保する。
• ニューラルコラテラル行列分解（NeuCMF）フレームワークを用いて、学習されたKGベースのアイテム表現とユーザー・アイテム相互作用埋め込みを統合し、エンドツーエンドの推薦を実現する。
• 大規模KGにおけるノイズの影響を考慮し、特に耐性と一般化性能を向上させるために、KG埋め込み学習中にコントラスト学習の原則を適用する。
• 2段階の訓練プロセスを採用する：まず、グラフオートエンコーディングによりKG埋め込みを事前学習し、次に、相互情報正則化目的関数の下で、ユーザー・アイテム相互作用データと共同で微調整する。

実験結果

リサーチクエスチョン

• RQ1 共有される意味的知識を通じて異なるドメインのアイテムをリンクすることで、知識グラフがクロスドメイン推薦を効果的に改善するブリッジとして機能できるか？
• RQ2 ユーザー・アイテム相互作用と知識グラフから、ドメイン固有およびドメイン汎用の両方の知識を捉えるために、アイテム表現をどのように共同で学習できるか？
• RQ3 KGからの高階近傍情報の統合が、スパースまたはコールドスタートな状況における推薦性能に与える影響は何か？
• RQ4 ユーザー・アイテム相互作用埋め込みとKGベースのアイテム埋め込み間の相互情報最大化が、クロスドメイン転送学習をどのように改善するか？
• RQ5 ユーザー重複や埋め込みマッピング関数にのみ依存する既存のCDRモデルと比較して、KGに配慮したフレームワークはどの程度優れているか？

主な発見

• 提案されたKG-NeuCMFモデルは、映画−音楽クロスドメイン推薦タスクにおいて、最も強力なベースライン比でMAEで21%の相対的改善を達成し、顕著な性能向上を示した。
• 映画−図書タスクでは、最も強力なベースライン比でMAEを15.18%低減し、多様なドメインを含むクロスドメイン設定における有効性を裏付けた。
• 映画−図書タスクにおいて、F1スコア90.80 ± 0.22を達成し、最先端のCDRモデルであるDDTCDRおよびCoNetを含むすべてのベースラインを上回った。
• アブレーションスタディの結果、KG埋め込みとユーザー・アイテム埋め込みの間の相互情報ベースの整列が、単純な連結やMLPによる精錬よりも優れた性能を示した。
• コールドスタート状況では、KGベースの表現を活用することで、NCFやCMFよりも顕著に性能を向上させ、データスパース性に起因する性能低下を軽減した。
• 音楽のようなスパースなドメインでは、KG統合がデータスパース性の緩和に、より密度の高いドメインよりも顕著に効果的であることが確認され、低データ環境におけるKGの価値を裏付けた。