[論文レビュー] Knowledge-aware Neural Networks with Personalized Feature Referencing for Cold-start Recommendation

Xinni Zhang, Yankai Chen+4 more|arXiv (Cornell University)|Sep 28, 2022

Recommender Systems and Techniques被引用数 5

ひとこと要約

本論文は、冷蔵スタート推薦問題に対処するため、個人化された特徴リファレンシングを備えた知識認識ニューラルネットワークKPERを提案する。知識グラフを意味的ブリッジとして用い、構造的に遠く離れたが意味的に類似したユーザー／アイテムを適応的シードとして特定し、ゲート付き情報集約を適用することで、潜在特徴を豊かにする。KPERは、4つの実世界データセットにおいてTop-10推薦で1.01%〜14.49%および0.81%〜16.08%の性能向上を達成し、冷蔵スタートおよび一般シナリオの両方で既存手法を上回る性能を発揮する。

ABSTRACT

Incorporating knowledge graphs (KGs) as side information in recommendation has recently attracted considerable attention. Despite the success in general recommendation scenarios, prior methods may fall short of performance satisfaction for the cold-start problem in which users are associated with very limited interactive information. Since the conventional methods rely on exploring the interaction topology, they may however fail to capture sufficient information in cold-start scenarios. To mitigate the problem, we propose a novel Knowledge-aware Neural Networks with Personalized Feature Referencing Mechanism, namely KPER. Different from most prior methods which simply enrich the targets' semantics from KGs, e.g., product attributes, KPER utilizes the KGs as a "semantic bridge" to extract feature references for cold-start users or items. Specifically, given cold-start targets, KPER first probes semantically relevant but not necessarily structurally close users or items as adaptive seeds for referencing features. Then a Gated Information Aggregation module is introduced to learn the combinatorial latent features for cold-start users and items. Our extensive experiments over four real-world datasets show that, KPER consistently outperforms all competing methods in cold-start scenarios, whilst maintaining superiority in general scenarios without compromising overall performance, e.g., by achieving 0.81%-16.08% and 1.01%-14.49% performance improvement across all datasets in Top-10 recommendation.

研究の動機と目的

• ユーザーまたはアイテムの相互作用履歴が最小限の状況における冷蔵スタート推薦問題に対処すること。
• 既存の知識認識モデルがトポロジー伝搬に依存し、相互作用が疎な状況で失敗するという限界を克服すること。
• 密な相互作用構造に依存せずに、冷蔵スタートユーザーおよびアイテムの有効な潜在特徴の豊かさを実現すること。
• 冷蔵スタート性能を著しく向上させる一方で、一般推薦シナリオでも強力な性能を維持すること。
• 意味的に関連するが構造的に遠く離れた代表を特徴転送のためのリファレンスとして特定する、個人化された特徴リファレンシング機構を導入すること。

提案手法

• KPERは、インタラクティブ情報エンコーディング、アテンション知識エンコーディング、および個人化された特徴リファレンシングの3モジュールからなるパイプラインを採用する。
• インタラクティブ情報エンコーディングは、注目型アグリゲーションメカニズムを用いて観測された相互作用からユーザーおよびアイテムの表現を要約する。
• アテンション知識エンコーディングは、ユーザーおよびアイテム間の多ホップ知識を抽出しながら、多様性を保持する。
• 個人化された特徴リファレンシングは、適応的シードプローブを用いて、意味的に類似しているが構造的に遠く離れたユーザーまたはアイテムを特徴リファレンスとして特定する。
• 連続的近似法により、シードプローブプロセス中の学習を安定化させた後、ゲート付き情報集約を用いてリファレンス特徴とターゲット埋め込みを統合する。
• 対照学習目的関数を用いて、ユーザーおよびアイテム埋め込みを同時に最適化し、意味的整合性を高める。

実験結果

リサーチクエスチョン

• RQ1 知識グラフは、冷蔵スタートユーザーおよびアイテムの表現学習を向上させる意味的ブリッジとして活用可能か？
• RQ2 意味的に類似しているが構造的に遠く離れたエンティティに基づく個人化された特徴リファレンシングは、疎な相互作用環境下でトポロジー駆動型情報伝搬を上回るか？
• RQ3 提案手法は、冷蔵スタート性能を著しく向上させる一方で、一般推薦シナリオでも強力な性能を維持できるか？
• RQ4 インタラクティブエンコーディング、アテンション知識エンコーディング、および特徴リファレンシングといった設計選択が、モデル性能にどのように影響するか？
• RQ5 ロバストで汎用性のある性能を得るための、知識抽出の最適な深さとサンプリングサイズは何か？

主な発見

• KPERは、4つのすべてのデータセットでTop-10推薦正答率に0.81%〜16.08%の相対的向上を達成し、特に冷蔵スタートシナリオで最大の向上を示した。
• アブレーションスタディにより、個人化された特徴リファレンシングモジュールを削除すると性能低下が最も顕著に現れ、その重要性が裏付けられた。
• アテンション知識エンコーディングモジュールは顕著に寄与しており、注目を除去するとすべてのデータセットで顕著な性能低下が観察された。
• インタラクティブ情報エンコーディングは不可欠であり、その欠如するバージョンでは一貫した性能低下が確認され、疎な相互作用からの学習価値が裏付けられた。
• 最適なサンプリングサイズは8〜16ネイバーであり、知識抽出深さが2のときが最良の性能を示した。これは、より長いパスがノイズを引き起こす可能性があることを示唆している。
• KPERは一般推薦でも強力な性能を維持しており、冷蔵スタート性能の向上が全体の有効性を損なわないことを示している。