[論文レビュー] Modelling High-Order Social Relations for Item Recommendation

Yang Liu, Liang Chen+4 more|arXiv (Cornell University)|Mar 23, 2020

Recommender Systems and Techniques参考文献 40被引用数 13

ひとこと要約

本稿では、高次社会関係（友達の友達）を明示的にモデル化するため、グラフニューラルネットワークベースのHigh-Order Social Recommender (HOSR) を提案する。HOSR は、ソーシャルネットワークに沿ってユーザ埋め込みを再帰的に伝搬させることで、アイテム推薦の精度を向上させる。Yelp および Douban データセットにおいて、NSCR や IF-BPR+、DeepInf といった最先端手法を上回る性能を発揮し、アテンション強化型の多階層近隣集約により、間接的な社会的影響を効果的に捉えている。

ABSTRACT

The prevalence of online social network makes it compulsory to study how social relations affect user choice. However, most existing methods leverage only first-order social relations, that is, the direct neighbors that are connected to the target user. The high-order social relations, e.g., the friends of friends, which very informative to reveal user preference, have been largely ignored. In this work, we focus on modeling the indirect influence from the high-order neighbors in social networks to improve the performance of item recommendation. Distinct from mainstream social recommenders that regularize the model learning with social relations, we instead propose to directly factor social relations in the predictive model, aiming at learning better user embeddings to improve recommendation. To address the challenge that high-order neighbors increase dramatically with the order size, we propose to recursively "propagate" embeddings along the social network, effectively injecting the influence of high-order neighbors into user representation. We conduct experiments on two real datasets of Yelp and Douban to verify our High-Order Social Recommender (HOSR) model. Empirical results show that our HOSR significantly outperforms recent graph regularization-based recommenders NSCR and IF-BPR+, and graph convolutional network-based social influence prediction model DeepInf, achieving new state-of-the-arts of the task.

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手法が一次関係（直接の友達）しかモデル化しないという限界に対処すること。これは、友達の友達による間接的影響を無視する結果となる。
• ユーザ表現学習プロセスに高次社会的影響を明示的に組み込むこと。これは、暗黙の正則化に依存するのではなく、意図的に組み込むことを目的とする。
• 実世界のソーシャルネットワークにおける高次近隣集合の指数関数的増加という計算上の課題を克服すること。
• 再帰的埋め込み伝搬とアテンション機構を用いて、口コミの影響伝播を捉えることで、推薦性能を向上させること。

提案手法

• HOSR は、グラフ畳み込みネットワーク（GCN）を用いて、ソーシャルネットワークの経路に沿ってユーザ埋め込みを再帰的に伝搬させ、高次近隣からの影響を捉える。
• 異なる階層の近隣（例：1次、2次、3次）に対してパーソナライズされた重みを学習するアテンション機構を採用し、最も情報の多い社会的経路に注目できるようにする。
• 複数のGCN層の出力を集約することで、複数の階層の社会的影響を捉える多階層近隣表現統合を実現する。
• 二種類のドロップアウト戦略を適用する：入力層でのドロップアウトにより、疎なソーシャル接続による過学習を防ぎ、出力層でのドロップアウトにより最終的なユーザ埋め込みを正則化する。
• 複数ホップにわたる近隣からの情報を集約するメッセージパッシングにより、ユーザ埋め込みを更新し、間接的な社会的影響を効果的にモデル化する。
• 最終的な予測は、強化されたユーザ埋め込みとアイテム埋め込みを協調フィルタリングフレームワークで組み合わせることで行う。

実験結果

リサーチクエスチョン

• RQ1 一次モデルと比較して、友達の友達のような高次社会的関係をモデル化することで、アイテム推薦性能を著しく向上させることができるか？
• RQ2 高次社会的影響を、計算コストが著しく増大するおそれがある中で、効率的かつ効果的にユーザ表現学習に組み込む方法は何か？
• RQ3 予測モデルに社会的影響を明示的にモデル化することで、社会的制約を補助損失項として用いる正則化ベースのアプローチを上回る性能が得られるか？
• RQ4 異なる階層の社会的近隣がユーザの好み予測にどのように寄与するか、またアテンション機構によりその重要性を動的に重み付けできるか？
• RQ5 ソーシャルネットワークのホップを跨る再帰的埋め込み伝搬は、実際のソーシャルネットワークで観察される「口コミ」効果を捉えることができるか？

主な発見

• HOSR は、Yelp および Douban データセットの両方で最先端の性能を達成し、NSCR や IF-BPR+ といったグラフ正則化ベースの手法を上回っている。
• 一次モデルでは捉えきれない高次近隣からの間接的影響を捉えることで、推薦精度が著しく向上している。
• アテンション機構を用いた多階層集約の導入により、異なる近隣階層からの寄与を動的に重み付けでき、モデルのロバスト性が向上している。
• 実験の結果、HOSR の性能は、ソーシャル接続が疎なユーザーにおいて特に顕著に高くなることが示された。この場合、高次影響が重要な信号を提供している。
• アブレーションスタディの結果、再帰的埋め込み伝搬とアテンションベースの集約の両方が、性能向上に不可欠な要素であると確認された。