[論文レビュー] Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations

Liwei Huang, Yutao Ma+5 more|arXiv (Cornell University)|Jul 12, 2021

Recommender Systems and Techniques被引用数 5

ひとこと要約

本稿では、順序と時間的ダイナミクスを組み込んだ位置情報強化型で時間に配慮したグラフ畳み込みネットワーク（PTGCN）を提案する。ユーザーとアイテムの相互作用を二部グラフでモデル化し、新しいグラフ畳み込み演算を用いて順序と時間的ダイナミクスを組み込む。3つの実世界データセットにおいて最先端のモデルを上回る性能を示し、高次接続性と動的ユーザー・アイテム表現学習により順序付け性能が向上することを実証した。

ABSTRACT

Most of the existing deep learning-based sequential recommendation approaches utilize the recurrent neural network architecture or self-attention to model the sequential patterns and temporal influence among a user's historical behavior and learn the user's preference at a specific time. However, these methods have two main drawbacks. First, they focus on modeling users' dynamic states from a user-centric perspective and always neglect the dynamics of items over time. Second, most of them deal with only the first-order user-item interactions and do not consider the high-order connectivity between users and items, which has recently been proved helpful for the sequential recommendation. To address the above problems, in this article, we attempt to model user-item interactions by a bipartite graph structure and propose a new recommendation approach based on a Position-enhanced and Time-aware Graph Convolutional Network (PTGCN) for the sequential recommendation. PTGCN models the sequential patterns and temporal dynamics between user-item interactions by defining a position-enhanced and time-aware graph convolution operation and learning the dynamic representations of users and items simultaneously on the bipartite graph with a self-attention aggregator. Also, it realizes the high-order connectivity between users and items by stacking multi-layer graph convolutions. To demonstrate the effectiveness of PTGCN, we carried out a comprehensive evaluation of PTGCN on three real-world datasets of different sizes compared with a few competitive baselines. Experimental results indicate that PTGCN outperforms several state-of-the-art models in terms of two commonly-used evaluation metrics for ranking.

研究の動機と目的

• 既存の順序推薦モデルがアイテムのダイナミクスと高次元のユーザー・アイテム接続性を無視するという限界を是正すること。
• 位置情報と時間的配慮をグラフ畳み込みネットワークに統合することで、時間経過に伴うユーザーおよびアイテムのダイナミクスをモデル化すること。
• 二部ユーザー・アイテム相互作用グラフ上で、ユーザーおよびアイテムの動的で時間に配慮した表現を同時に学習すること。
• 多層グラフ畳み込みを用いて高次接続性を捉えることで、順序推薦の性能を向上させること。

提案手法

• 順序的な行動を表現するため、二部ユーザー・アイテム相互作用グラフを構築する。
• 順序の順序と相互作用間の時間的差を符号化する、位置情報強化型で時間に配慮したグラフ畳み込み演算を設計する。
• グラフ内でのメッセージパッシング中に隣接ノードを動的に重みづけするため、自己注意アグリゲーターを採用する。
• ユーザーとアイテム間の高次接続性を捉えるために、複数層のグラフ畳み込みをスタックする。
• 時間経過と順序位置に応じて変化する動的ユーザーおよびアイテム埋め込みを学習する。
• 位置符号化と時間に配慮した注意機構を統合し、時間的影響と順序パターンを同時にモデル化する。

実験結果

リサーチクエスチョン

• RQ1 グラフベースのアプローチは、推薦のためのユーザー・アイテム相互作用における順序パターンと時間的ダイナミクスを効果的にモデル化できるか？
• RQ2 グラフ畳み込みに位置情報と時間的情報を組み込むと、順序推薦の性能にどのような影響を与えるか？
• RQ3 ユーザーとアイテム間の高次接続性をモデル化することで、推薦精度はどの程度向上するか？
• RQ4 多様なデータセットにおいて、PTGCNは最先端のモデルと比較して順位付け指標でどの程度優れているか？

主な発見

• PTGCNは3つの実世界データセットにおいて最先端の性能を達成し、精度と再現率の両面で既存のモデルを上回った。
• 位置情報と時間的配慮の統合により、モデルの順序的ダイナミクスおよび時間的好みの捉え方が顕著に向上した。
• 多層グラフ畳み込みの使用により、高次元のユーザー・アイテム接続性の有効なモデル化が可能となり、推薦精度が向上した。
• 自己注意アグリゲーターは、シーケンス全体にわたるユーザーとアイテム間の動的依存関係を効果的に捉えた。
• アブレーションスタディにより、位置符号化と時間に配慮したメカニズムの両方が、性能向上に有意に寄与することが確認された。
• データセットのサイズが異なる状況でもモデルが良好に一般化されることから、強靭性とスケーラビリティが示された。