[論文レビュー] Sequential Recommendation with Graph Neural Networks
本論文では、ノイズの多い暗黙的フィードバックからコアな好みを抽出するため、緩いユーザ行動シーケンスをタイトなアイテム同士の関心グラフに変換するGNNモデルSURGEを提案する。クラスターアウェアなグラフ畳み込みと動的グラフプーリングを適用することで、SURGEは進化するユーザの関心を効果的に捉え、公開データセットおよび産業界データセットの両方で最先端の性能を達成し、特に長シーケンスモデリングにおいて顕著な成果を上げた。
Sequential recommendation aims to leverage users' historical behaviors to predict their next interaction. Existing works have not yet addressed two main challenges in sequential recommendation. First, user behaviors in their rich historical sequences are often implicit and noisy preference signals, they cannot sufficiently reflect users' actual preferences. In addition, users' dynamic preferences often change rapidly over time, and hence it is difficult to capture user patterns in their historical sequences. In this work, we propose a graph neural network model called SURGE (short for SeqUential Recommendation with Graph neural nEtworks) to address these two issues. Specifically, SURGE integrates different types of preferences in long-term user behaviors into clusters in the graph by re-constructing loose item sequences into tight item-item interest graphs based on metric learning. This helps explicitly distinguish users' core interests, by forming dense clusters in the interest graph. Then, we perform cluster-aware and query-aware graph convolutional propagation and graph pooling on the constructed graph. It dynamically fuses and extracts users' current activated core interests from noisy user behavior sequences. We conduct extensive experiments on both public and proprietary industrial datasets. Experimental results demonstrate significant performance gains of our proposed method compared to state-of-the-art methods. Further studies on sequence length confirm that our method can model long behavioral sequences effectively and efficiently.
研究の動機と目的
- 長期間にわたりノイズが多く、不完全な行動シーケンスから動的かつ進化するユーザの好みをモデル化する課題に対処すること。
- 最近の行動に過剰に注目する既存手法の限界を克服し、長期的で暗黙的なフィードバックを効果的に活用できること。
- 暗黙の信号からユーザのコアな関心を明示的にクラスタリングし、抽出するグラフベースのフレームワークを提案すること。
- 行動シーケンスを構造的な関心グラフに変換することで、長期間の行動シーケンスの効果的かつ効率的なモデリングを可能にすること。
提案手法
- ユーザの行動パターンに基づいて類似するアイテムをグループ化するため、メトリクス学習を用いて緩いユーザ行動シーケンスを再符号化し、タイトなアイテム同士の関心グラフを構築する。
- 弱い好みの信号を統合してより強力で代表的な関心クラスタに変換するため、アテンション付きグラフ畳み込みネットワークを適用する。
- 各クラスタ内でのユーザ関心表現の伝搬と精錬を可能にする、クラスターアウェアなグラフ畳み込みを導入する。
- 照会に応じたアテンションを用いて、現在アクティブ化されているコアな関心のみを適応的に選別・保持する動的グラフプーリングを実装する。
- 推論時に異なる関心クラスタの重要性を重みづけするための学習可能なアテンションメカニズムを用い、現在のユーザの好みを反映する。
- 関心クラスタリングと次アイテム予測を同時に最適化できるように、エンドツーエンドでモデルを学習する。
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、暗黙的フィードバックを伴う長期間でノイズの多い行動シーケンスからコアなユーザ関心を効果的に抽出できるか？
- RQ2グラフニューラルネットワークモデルは、時間の経過に伴うユーザ好みの動的進化をどれほど正確に捉えることができるか？
- RQ3緩い行動シーケンスをタイトな関心グラフに変換することで、従来手法と比較して順序推薦の性能が向上するか？
- RQ4提案手法は、性能の劣化を伴わずに長期間の行動シーケンスを効果的にモデリングできるか？
- RQ5動的グラフプーリングは、予測時に非アクティブまたは関係のない関心を効果的にフィルタリングするのに寄与するか？
主な発見
- SURGEは、公開データセットおよび特許情報の産業界データセットの両方で、最先端の手法を大きく上回る性能向上を達成し、リCALLとPRECISIONの両指標で向上を示した。
- 公開のDLRMデータセットでは、SURGEはリCALL@20が0.8906、PRECISION@20が0.4228を達成し、以前のSOTAを上回った。
- 特許情報のKuaishouデータセットでは、SURGEはリCALL@20が0.8525、PRECISION@20が0.9316を達成し、実世界のデータにおいても優れた一般化性能を示した。
- アブレーションスタディにより、グラフ構築と動的プーリングのコンponentが、特に長シーケンスの状況下で性能に不可欠であることが確認された。
- モデルは高い効率性とスケーラビリティを維持しており、シーケンス長が延びても安定した性能を示した。
- ノイズが多く、コアでない好みを効果的にフィルタリングし、現在アクティブ化されている関心に焦点を当てることで、より正確な次アイテム予測が可能になった。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。