[論文レビュー] SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation

Le Wu, Peijie Sun+4 more|arXiv (Cornell University)|Nov 7, 2018

Recommender Systems and Techniques参考文献 23被引用数 85

ひとこと要約

SocialGCN は Graph Convolutional Networks を用いて社会的拡散をモデル化し、ソーシャル推奨を改善する。拡散ベースのユーザー埋め込みとアイテム埋め込み、および任意の属性情報を組み合わせる。

ABSTRACT

Collaborative Filtering (CF) is one of the most successful approaches for recommender systems. With the emergence of online social networks, social recommendation has become a popular research direction. Most of these social recommendation models utilized each user's local neighbors' preferences to alleviate the data sparsity issue in CF. However, they only considered the local neighbors of each user and neglected the process that users' preferences are influenced as information diffuses in the social network. Recently, Graph Convolutional Networks~(GCN) have shown promising results by modeling the information diffusion process in graphs that leverage both graph structure and node feature information. To this end, in this paper, we propose an effective graph convolutional neural network based model for social recommendation. Based on a classical CF model, the key idea of our proposed model is that we borrow the strengths of GCNs to capture how users' preferences are influenced by the social diffusion process in social networks. The diffusion of users' preferences is built on a layer-wise diffusion manner, with the initial user embedding as a function of the current user's features and a free base user latent vector that is not contained in the user feature. Similarly, each item's latent vector is also a combination of the item's free latent vector, as well as its feature representation. Furthermore, we show that our proposed model is flexible when user and item features are not available. Finally, extensive experimental results on two real-world datasets clearly show the effectiveness of our proposed model.

研究の動機と目的

• Collaborative filtering のデータ稀少性を解決するためにソーシャルネットワークを活用して推奨を行う。
• 層状の GCN フレームワークを用いて、ユーザーの嗜好がソーシャル接続を通じて拡散する様子をモデル化する。
• 潜在埋め込みにアイテムとユーザー属性を自由基底ベクトルとともに統合する。
• ユーザー/アイテム属性が利用できない場合でも機能する柔軟なフレームワークを提供する。
• 実世界の Yelp および Flickr データセットで実証的に改善を示す。

提案手法

• h_a^0 がユーザ特徴 x_a と自由基底ベクトル p_a を結合して層ごとに拡散埋め込みとして表現する。
• アイテムは特徴 y_i と自由基底潜在ベクトル q_i の組み合わせをニューラル変換を介して表現する（ v_i = F [q_i, y_i]）。
• K 層の GCN を用いてユーザー拡散をモデル化する： h_a^{k+1} = ReLU(W^k [ aggregate({h_b^k | b in S_a}), h_a^k ]) ここで S_a はソーシャル隣人である。
• 最終的なユーザー埋め込み u_a = h_a^K + ユーザーが相互作用したアイテムの v_i の平均 R_a（SVD++ に類似）。
• 観測データと未観測データの対したペアワイズベイズランク損失と正則化（Adam 最適化）で最適化。
• 明示的なユーザー/アイテム属性の有無にかかわらずモデルは動作する；属性が欠如している場合はユーザー/アイテムの自由埋め込みに縮約される。

実験結果

リサーチクエスチョン

• RQ1 SocialGCN は Yelp および Flickr の実世界データセットで最先端のソーシャル推奨ベースラインを上回ることができるか？
• RQ2 ソーシャル拡散の深さ、特徴ベースの埋め込み、および自由基底潜在ベクトルの寄与は性能にどの程度寄与するか？
• RQ3 ユーザー/アイテム属性が利用できない場合、モデルは頑健か？
• RQ4 SocialGCN は信頼度の高いフィードバック設定で BPR、TrustSVD、ContextMF、PinSage などのベースラインと比べてどうか？

主な発見

• SocialGCN は Yelp および Flickr の HR@10 および NDCG@10 指標でベースラインを一貫して上回る。
• 拡散深さを 2 を超えても利得が低下またはほとんど得られないことが多く、K=2 が強い結果を生むことが一般的である。
• ユーザー属性とアイテム属性の両方（利用可能な場合）と自由基底潜在ベクトルの組み合わせは性能を著しく向上させる。
• 属性が不足している設定でもモデルは効果的で、柔軟性と汎化を示す。
• Yelp および Flickr では、SocialGCN は競合するベースラインより顕著な改善を達成しており（報告設定下で PinSage、TrustSVD、ContextMF を上回ることがある）。