[論文レビュー] SiReN: Sign-Aware Recommendation Using Graph Neural Networks

Changwon Seo, Kyeong-Joong Jeong+2 more|arXiv (Cornell University)|Aug 19, 2021

Advanced Graph Neural Networks被引用数 5

ひとこと要約

SiReNは、正のおよび負のユーザ-アイテム相互作用を明示的にモデル化するため、符号付き双方向グラフを構築し、正のエッジ部分グラフGpと負のエッジ部分グラフGnに分割することで、推薦システム向けの符号に敏感なグラフニューラルネットワーク（GNN）フレームワークを提案する。各部分グラフに対して別個のGNNおよびMLPエンコーダーを用い、アテンションを用いて埋め込みを統合し、符号に敏感なベイジアンパーソナライズドランク（BPR）損失関数で最適化することで、複数のデータセットで最先端の性能を達成し、特に相互作用のスパarsityが低い状況でも優れた性能を示す。

ABSTRACT

In recent years, many recommender systems using network embedding (NE) such as graph neural networks (GNNs) have been extensively studied in the sense of improving recommendation accuracy. However, such attempts have focused mostly on utilizing only the information of positive user-item interactions with high ratings. Thus, there is a challenge on how to make use of low rating scores for representing users' preferences since low ratings can be still informative in designing NE-based recommender systems. In this study, we present SiReN, a new sign-aware recommender system based on GNN models. Specifically, SiReN has three key components: 1) constructing a signed bipartite graph for more precisely representing users' preferences, which is split into two edge-disjoint graphs with positive and negative edges each, 2) generating two embeddings for the partitioned graphs with positive and negative edges via a GNN model and a multi-layer perceptron (MLP), respectively, and then using an attention model to obtain the final embeddings, and 3) establishing a sign-aware Bayesian personalized ranking (BPR) loss function in the process of optimization. Through comprehensive experiments, we empirically demonstrate that SiReN consistently outperforms state-of-the-art NE-aided recommendation methods.

研究の動機と目的

• 既存のGNNベースの推薦システムが負のフィードバック（低評価）を無視するという限界を是正すること。低評価は依然として価値ある好みの信号を含む。
• 統一されたGNNフレームワーク内で正のおよび負のユーザ-アイテム相互作用を明示的にモデル化することで、推薦精度を向上させること。
• 低評価フィードバックを活用する、相互作用がスパースな状況でも性能が低下しない堅牢な学習メカニズムを設計すること。
• グラフ内の正および負の近隣関係を区別する新しい最適化目的関数を設計すること。

提案手法

• ユーザ-アイテム相互作用データから符号付き双方向グラフを構築し、エッジを正（高評価）または負（低評価）にラベル付けし、エッジが互いに素な2つの部分グラフGp（正のエッジ）およびGn（負のエッジ）に分割する。
• Gpからノード埋め込みを学習するGNNモデルと、Gnから埋め込みを学習するマルチレイヤーパーセプトロン（MLP）をそれぞれ適用し、正および負の関係に特有の構造的パターンを捉える。
• 学習可能なアテンションメカニズムを用いて2つの埋め込みを統合し、正および負のフィードバック信号のバランスを取った最終的な統合表現を生成する。
• 正および負のアイテムペア間の相対的好みを明示的にモデル化する符号に敏感なベイジアンパーソナライズドランク（BPR）損失関数を用いてモデルを最適化する。
• GNNベースの推薦において、実証的に最も効果的であるとされた重み付き和戦略を用いた近隣集約を実装する。
• トレーニングおよび推論中に符号に敏感な好みを保持する協調フィルタリングフレームワークにモデルを統合する。

実験結果

リサーチクエスチョン

• RQ1 正のフィードバックに加えて負のフィードバック（低評価）をモデル化することで、GNNベースの推薦システムにおける推薦精度が向上するか？
• RQ2 正および負のユーザ-アイテム相互作用を区別できるように、符号付き双方向グラフを効果的に構築および分割する方法は何か？
• RQ3 GNNフレームワーク内で、正および負のエッジ部分グラフからの埋め込みを最適に符号合せ・統合する方法は何か？
• RQ4 符号に敏感なBPR損失関数は、標準的なBPRに比べてより優れたランク付け性能をもたらすか？
• RQ5 特にデータが少ない状況下で、提案手法の性能はどの程度のスパarsityレベルに頑健であるか？

主な発見

• SiReNは、ML-1M、Amazon-Book、Yelpの各データセットにおいて、6つのベンチマーク手法を常に上回り、優れた推薦精度を示した。
• Amazon-Bookデータセットにおける[0, 20)の相互作用数を持つユーザーにおいて、SiReNと2番目に良い手法（LightGCN）との性能差は、P@5で最大36.79%、R@5で36.98%、nDCG@5で36.9%に達した。
• 特に相互作用がスパースな状況で最も顕著な改善を示しており、相互作用のスパarsityに強いという特徴を示した。
• 負のエッジ部分グラフ（Gn）のエンコーディングにMLPを用いることは、実証的に有効であり、最終的な性能向上に寄与した。
• 符号に敏感なBPR損失関数は、正および負の近隣関係の違いを明示的にモデル化することで、モデルの最適化を向上させた。
• ユーザーあたりの相互作用数が増加するにつれて、すべての手法が向上するが、SiReNは特にスパース性の高い状況下でも一貫して顕著な優位性を維持した。