[論文レビュー] Price-aware Recommendation with Graph Convolutional Networks

Yu Zheng, Chen Gao+3 more|arXiv (Cornell University)|Mar 9, 2020

Recommender Systems and Techniques参考文献 44被引用数 6

ひとこと要約

本稿では、価格とカテゴリに配慮した埋め込みを用いてユーザーの好みをモデル化する、グラフ畳み込みネットワーク（GCN）に基づくPUP（Price-aware User Preference-modeling）を提案する。ユーザー、アイテム、価格、カテゴリの非同質的グラフを構築することで、PUPはアイテムを通じて価格の影響を伝搬させ、価格に配慮したユーザー表現を学習する。その結果、特に未探索のカテゴリにおけるコールドスタートアイテムに対して、推薦精度が顕著に向上する。

ABSTRACT

In recent years, much research effort on recommendation has been devoted to mining user behaviors, i.e., collaborative filtering, along with the general information which describes users or items, e.g., textual attributes, categorical demographics, product images, and so on. Price, an important factor in marketing --- which determines whether a user will make the final purchase decision on an item --- surprisingly, has received relatively little scrutiny. In this work, we aim at developing an effective method to predict user purchase intention with the focus on the price factor in recommender systems. The main difficulties are two-fold: 1) the preference and sensitivity of a user on item price are unknown, which are only implicitly reflected in the items that the user has purchased, and 2) how the item price affects a user's intention depends largely on the product category, that is, the perception and affordability of a user on item price could vary significantly across categories. Towards the first difficulty, we propose to model the transitive relationship between user-to-item and item-to-price, taking the inspiration from the recently developed Graph Convolution Networks (GCN). The key idea is to propagate the influence of price on users with items as the bridge, so as to make the learned user representations be price-aware. For the second difficulty, we further integrate item categories into the propagation progress and model the possible pairwise interactions for predicting user-item interactions. We conduct extensive experiments on two real-world datasets, demonstrating the effectiveness of our GCN-based method in learning the price-aware preference of users. Further analysis reveals that modeling the price awareness is particularly useful for predicting user preference on items of unexplored categories.

研究の動機と目的

• 価格の好みが明示的に記録されていないため、購入履歴からユーザーの内面的な価格感受性を推定する課題に対処すること。
• 価格がユーザーの購入意思決定に与える影響が製品カテゴリによって異なることを認識し、カテゴリ依存の影響をモデル化すること。
• 協調フィルタリングにおいて価格を標準的な特徴として扱うのではなく、第一義的な要因として統合する包括的なフレームワークを構築すること。
• 未探索またはコールドスタートのカテゴリに属するアイテムの推薦性能を、価格に配慮した表現を活用することで向上させること。
• グラフニューラルネットワークを用いて、ユーザー、アイテム、価格、カテゴリの埋め込みをエンドツーエンドで学習し、複雑な相互作用を捉えること。

提案手法

• ユーザー、アイテム、価格（離散化済み）、カテゴリの4種類のノードを含む非同質的グラフを構築し、ユーザー-アイテム、アイテム-価格、アイテム-カテゴリのエッジで接続する。
• グラフ畳み込みネットワーク（GCN）を適用し、価格ノードからアイテムを介してユーザーノードに埋め込みを伝搬させることで、価格の影響がユーザー好みに間接的に反映されるようにする。
• 価格の影響のグローバル（価格に配慮した）およびローカル（カテゴリ依存）な側面を別々にモデル化する2本のGCNアーキテクチャを導入する。
• メッセージパッシング機構にカテゴリ情報を統合し、製品カテゴリごとに文脈に応じた価格認識が行われるようにする。
• ユーザー、アイテム、価格、カテゴリ間の相互作用を最終的なユーザー-アイテム相互作用の予測にモデル化するため、ペairwise相互作用ベースのデコーダーを用いる。
• ユーザーの消費予測を最適化するため、微分可能な損失関数を用いて、モデル全体をエンドツーエンドで学習する。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みネットワークは、購入履歴から導かれるユーザーの暗黙の価格感受性を効果的にモデル化できるか？
• RQ2 カテゴリ情報を統合することで、ユーザー好みにおける価格認識のモデル化がどの程度向上するか？
• RQ3 価格に配慮した表現学習は、特にコールドスタートアイテムにおいて、推薦性能をどの程度向上させるか？
• RQ4 価格を主要な意思決定要因とみなした場合、提案手法は標準的な協調フィルタリングや特徴ベースのモデル（例：FM）を上回るか？
• RQ5 モデルが価格に配慮した好みを捉える能力により、新規または未探索の製品カテゴリにおけるコールドスタート問題が軽減されるか？

主な発見

• PUPは、AUCおよびprecision@K指標において、2つの実世界データセットにおいて、FMやGCNベースのベースラインモデルを顕著に上回る性能を達成した。
• コールドスタートアイテムにおいて最良の性能を発揮し、価格に配慮した表現が未確認のカテゴリへの一般化を支援することが示された。
• アブレーションスタディにより、カテゴリに配慮した伝搬と2本のGCNアーキテクチャの両方が最適性能を達成するために不可欠であることが確認された。
• GCNによる伝搬を介して価格を離散的かつ学習可能な埋め込みとして統合することで、価格をそのままの数値またはビン化された特徴として扱うよりも、ユーザー好みのモデル化がより正確になった。
• モデルは意味のある価格感受性のパターンを捉えている：ユーザーは、自身の過去の支出行動と整合する価格に強く影響を受ける傾向がある。
• 本手法は他の特徴に対しても汎用性が高く、ユーザーのプロフィールやアイテムの属性をグラフ内の追加ノードタイプとして容易に統合できる。