[論文レビュー] Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation

Junliang Yu, Hongzhi Yin+4 more|arXiv (Cornell University)|Jan 16, 2021

Recommender Systems and Techniques参考文献 66被引用数 33

ひとこと要約

マルチチャネル・ハイパーグラフ畳み込みネットワーク（MHCN）を提案し、高次のユーザー関係を社会的推薦にモデル化し、チャネル固有の接続情報を保持する階層的自己教師付きタスクで強化します。

ABSTRACT

Social relations are often used to improve recommendation quality when user-item interaction data is sparse in recommender systems. Most existing social recommendation models exploit pairwise relations to mine potential user preferences. However, real-life interactions among users are very complicated and user relations can be high-order. Hypergraph provides a natural way to model complex high-order relations, while its potentials for improving social recommendation are under-explored. In this paper, we fill this gap and propose a multi-channel hypergraph convolutional network to enhance social recommendation by leveraging high-order user relations. Technically, each channel in the network encodes a hypergraph that depicts a common high-order user relation pattern via hypergraph convolution. By aggregating the embeddings learned through multiple channels, we obtain comprehensive user representations to generate recommendation results. However, the aggregation operation might also obscure the inherent characteristics of different types of high-order connectivity information. To compensate for the aggregating loss, we innovatively integrate self-supervised learning into the training of the hypergraph convolutional network to regain the connectivity information with hierarchical mutual information maximization. The experimental results on multiple real-world datasets show that the proposed model outperforms the SOTA methods, and the ablation study verifies the effectiveness of the multi-channel setting and the self-supervised task. The implementation of our model is available via https://github.com/Coder-Yu/RecQ.

研究の動機と目的

• データのスパース性に対応するため、社会的推薦における高次のユーザー関係を活用する動機づけ。
• それぞれが異なる高次関係パターンを符号化する複数のチャネルを持つハイパーグラフベースのモデルを開発する。
• チャネル間およびハイパーグラフ構造全体の情報を保持する自己教師あり学習タスクを統合する。
• マルチチャネルのハイパーグラフ学習とアイテム相互作用を組み合わせて、総合的なユーザー表現を生成する。
• 実データセット上でアプローチの有効性を経験的に示し、構成要素の寄与を分析する。

提案手法

• 3つのモチーフ誘導ハイパーグラフ（Social、Joint、Purchase）を構築して、異なる高次のユーザー関係をモデル化する。
• チャネルごとに1つのモチーフ誘導ハイパーグラフを符号化する複数チャネルのハイパーグラフ畳み込みネットワークを用い、チャネル固有のプリフィルター（セルフゲーティング）とハイパーグラフ畳み込みを適用する。
• アテンションによりチャネル埋め込みを集約して包括的なユーザー表現を作成する。
• 購入情報を取り入れるため、ユーザー-アイテム相互作用グラフ上で簡易なグラフ畳み込みを組み込む。
• ベイズ個人化ランキング（BPR）損失と正則化を用いて訓練する。
• チャネル間で、ユーザーとその局所的サブハイパーグラフ、および全ハイパーグラフ間の階層的相互情報量を最大化する自己教師付きタスクを強化する。

実験結果

リサーチクエスチョン

• RQ1 モチーフ誘導ハイパーグラフは、社会的推薦のための高次のユーザー関係を効果的に捕捉できるか？
• RQ2 複数チャネルのハイパーグラフ畳み込みアーキテクチャは、単一チャネルや従来のGNNベース手法よりも優れたユーザー表現を生み出すか？
• RQ3 チャネル固有の接続情報を保持することによって、階層的自己教師付き目的を追加すると推奨性能が向上するか？
• RQ4 マルチチャネル設定で性能を最大化するために、チャネルの寄与をどのようにバランスさせるべきか？
• RQ5 グラフ畳込みを介してアイテムの購入情報を統合することが全体の推奨に与える影響は何か？

主な発見

• 提案されたMHCNは、3つのモチーフ誘導ハイパーグラフチャネルを備え、リアルワールドデータの実験においてベースライン手法およびSOTAアプローチを上回る。
• 自己教師付き階層的相互情報量は、チャネル間で高次の接続性を保持することにより、ユーザー表現の品質を向上させる。
• アテンションベースの集約は異なるチャネルの寄与を効果的に重み付けし、推奨性能を向上させる。
• 追加の単純なグラフ畳込みを通じて購入情報を組み込むことが、ハイパーグラフチャネルを補完し、結果を改善する。
• アブレーション研究は、マルチチャネル設計と自己教師付きタスクが性能向上に有効であることを検証する。