[論文レビュー] Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation

Xin Xia, Hongzhi Yin+4 more|arXiv (Cornell University)|Dec 12, 2020

Recommender Systems and Techniques参考文献 43被引用数 34

ひとこと要約

デュアルチャネル・ハイパーグラフ畳み込みネットワーク（DHCN）をセッションベースの推奨のために導入し、ライングラフチャネルを介した自己教師あり学習と、2つのビュー間の相互情報最大化によって推奨性能を向上させる。

ABSTRACT

Session-based recommendation (SBR) focuses on next-item prediction at a certain time point. As user profiles are generally not available in this scenario, capturing the user intent lying in the item transitions plays a pivotal role. Recent graph neural networks (GNNs) based SBR methods regard the item transitions as pairwise relations, which neglect the complex high-order information among items. Hypergraph provides a natural way to capture beyond-pairwise relations, while its potential for SBR has remained unexplored. In this paper, we fill this gap by modeling session-based data as a hypergraph and then propose a hypergraph convolutional network to improve SBR. Moreover, to enhance hypergraph modeling, we devise another graph convolutional network which is based on the line graph of the hypergraph and then integrate self-supervised learning into the training of the networks by maximizing mutual information between the session representations learned via the two networks, serving as an auxiliary task to improve the recommendation task. Since the two types of networks both are based on hypergraph, which can be seen as two channels for hypergraph modeling, we name our model \textbf{DHCN} (Dual Channel Hypergraph Convolutional Networks). Extensive experiments on three benchmark datasets demonstrate the superiority of our model over the SOTA methods, and the results validate the effectiveness of hypergraph modeling and self-supervised task. The implementation of our model is available at https://github.com/xiaxin1998/DHCN

研究の動機と目的

• ユーザープロファイルが利用できないセッションにおけるペアワイズを超えるアイテム相関の捉えをモチベーションとする。
• セッションデータをハイパーグラフとしてモデリングし、アイテム間の高次相互作用を符号化する。
• 表現学習を改善するためにハイパーグラフチャネルとライングラフチャネルのデュアルチャネルアーキテクチャを提案する。
• 2つのビュー間の相互情報を最大化することで自己教師あり学習を統合し、推奨性能を向上させる。

提案手法

• 各セッションがそのセッション内のすべてのアイテムをリンクするハイパーエッジを形成するハイパーグラフを構築する。
• ノード-ハイパーエッジ-ノードの refine を用いたハイパーグラフ畳み込みを適用し、アイテム埋め込みを得る。
• 完全なシーケンスモデリングを行わずに時系列情報を注入するための位置埋め込みを組み込む。
• ハイパーグラフのライングラフを構築してセッション間情報を捉え、セッションレベルの表現に対してライングラフ畳み込みを行う。
• ハイパーグラフチャネルとライングラフチャネルの表現間の相互情報を最大化する自己教師ありの二視点対比目的を導入する。
• 主タスクの推奨損失と補助的な自己教師あり損失（L = L_r + beta * L_s）で共同訓練する。

実験結果

リサーチクエスチョン

• RQ1 ハイパーグラフモデリングはセッション内の高次アイテム関係をペアワイズなグラフよりもうまく捉えられるのか。
• RQ2 デュアルチャネル（ハイパーグラフとライングラフ）アーキテクチャはセッションベースの推奨性能を向上させるのか。
• RQ3 2つのビュー間の自己教師あり対比学習を取り入れることで表現と精度がさらに向上するのか。

主な発見

Method	Tmall P@10	Tmall M@10	Tmall P@20	Tmall M@20	Nowplaying P@10	Nowplaying M@10	Nowplaying P@20	Nowplaying M@20	Diginetica P@10	Diginetica M@10	Diginetica P@20	Diginetica M@20
Item-KNN	6.65	3.11	9.15	3.31	10.96	4.55	15.94	4.91	25.07	10.77	35.75	11.57
FPMC	13.10	7.12	16.06	7.32	5.28	2.68	7.36	2.82	15.43	6.20	26.53	6.95
GRU4REC	9.47	5.78	10.93	5.89	6.74	4.40	7.92	4.48	17.93	7.33	29.45	8.33
NARM	19.17	10.42	23.30	10.70	13.60	6.62	18.59	6.93	35.44	15.13	49.70	16.17
STAMP	22.63	13.12	26.47	13.36	13.22	6.57	17.66	6.88	33.98	14.26	45.64	14.32
SR-GNN	23.41	13.45	27.57	13.72	14.17	7.15	18.87	7.47	36.86	15.52	50.73	17.59
FGNN	20.67	10.07	25.24	10.39	13.89	6.80	18.78	7.15	37.72	15.95	50.58	16.84
DHCN	25.14*	13.91*	30.43*	14.26*	17.22	7.78	23.03	8.18	39.87	17.53	53.18	18.44
S2-DHCN	26.22	14.60	31.42	15.05	17.35	7.87	23.50	8.18	40.21	17.59	53.66	18.51

• DHCNはP@10, M@10, P@20, MRR@20の指標で3つのベンチマークデータセットにおいて最先端のベースラインを上回る。
• 自己教師あり版（S2-DHCN）はDHCNを上回る追加の利得をもたらし、補助タスクの有効性を示している。
• ハイパーグラフモデリングはペアワイズを超えるアイテム関係を提供し、ライングラフチャネルはセッション間情報を捉えてアイテムレベルのモデリングを補完する。
• 位置埋め込みとソフトアテンションの寄与がアブレーション研究で示され、データセット依存の効果をもたらす。
• 自己教師あり学習はデータ不足の短いセッションに特に有益である。