[論文レビュー] Temporal aware Multi-Interest Graph Neural Network For Session-based Recommendation

Qi Shen, Shixuan Zhu+3 more|arXiv (Cornell University)|Dec 31, 2021

Recommender Systems and Techniques被引用数 7

ひとこと要約

本稿では、セッション内での複数のユーザーの関心を、アイテム同士、アイテムと関心、関心とアイテムの関係を多関心グラフを用いてモデル化することで分離する、時間に配慮した多関心グラフニューラルネットワーク（TMI-GNN）を提案する。アイテムレベルの時間間隔と関心レベルの時間分布の両方を統合して表現を精緻化し、3つのベンチマークデータセットで最先端の性能を達成し、時間の経過に伴う変化や重複するユーザーの意図を効果的に捉えている。

ABSTRACT

Session-based recommendation (SBR) is a challenging task, which aims at recommending next items based on anonymous interaction sequences. Despite the superior performance of existing methods for SBR, there are still several limitations: (i) Almost all existing works concentrate on single interest extraction and fail to disentangle multiple interests of user, which easily results in suboptimal representations for SBR. (ii) Furthermore, previous methods also ignore the multi-form temporal information, which is significant signal to obtain current intention for SBR. To address the limitations mentioned above, we propose a novel method, called \emph{Temporal aware Multi-Interest Graph Neural Network} (TMI-GNN) to disentangle multi-interest and yield refined intention representations with the injection of two level temporal information. Specifically, by appending multiple interest nodes, we construct a multi-interest graph for current session, and adopt the GNNs to model the item-item relation to capture adjacent item transitions, item-interest relation to disentangle the multi-interests, and interest-item relation to refine the item representation. Meanwhile, we incorporate item-level time interval signals to guide the item information propagation, and interest-level time distribution information to assist the scattering of interest information. Experiments on three benchmark datasets demonstrate that TMI-GNN outperforms other state-of-the-art methods consistently.

研究の動機と目的

• 既存のセッションベース推薦手法が単一のユーザー関心しかモデル化しないという制限に対処し、最適でない表現を回避すること。
• アイテムレベルの時間間隔と関心レベルの時間分布という、複数形の時間的情報をセッションモデリングに統合し、意図の理解を向上させること。
• 1つのセッション内で重複するか、時間とともに変化する可能性のある複数のユーザー関心を分離することで、推薦の正確性と解釈可能性を向上させること。
• アイテム同士の遷移、アイテムと関心の関係、関心とアイテムの精緻化を同時にモデル化することができるグラフニューラルネットワークアーキテクチャを設計すること。

提案手法

• セッション内における明確なユーザー関心を表すために、複数の関心ノードを追加することで多関心グラフを構築する。
• グラフニューラルネットワークを用いて3種類の関係をモデル化する：順序的な流れを表すアイテム同士の遷移、多関心の分離を目的としたアイテムと関心の関係、アイテム表現の精緻化を目的とした関心とアイテムの関係。
• 隣接するアイテム間での情報伝達の仕方を時間的近接性に従って誘導するために、メッセージパッシングにアイテムレベルの時間間隔信号を組み込む。
• 関心の時間的カバレッジと仮想的位置をモデル化するために、関心レベルの時間分布情報を統合し、分離と関連性推定を強化する。
• 関心間の干渉を低減し、分離を強制するために、関心に依存しない損失関数を用いたマルチタスク学習目的を適用する。
• スケーラブルな時間的情報統合を実現するため、時間間隔を時間ボックス化することで離散化する。

実験結果

リサーチクエスチョン

• RQ1 1つのセッション内で複数のユーザー関心をモデル化することで、単一関心アプローチと比較して、セッションベース推薦の性能が向上するか？
• RQ2 アイテムレベルの時間間隔信号を統合することで、セッション表現学習の正確性にどのような影響を与えるか？
• RQ3 関心レベルの時間的分布をモデル化することで、短いセッションにおけるユーザーの意図の分離はどの程度向上するか？
• RQ4 GNNの深さや時間ボックス化の設定を変更した場合、モデルの頑健性と性能にどのような影響を与えるか？
• RQ5 TMI-GNNの主要な構成要素（例：関心ノード、独立損失）が全体的な性能向上にどのように寄与しているか？

主な発見

• TMI-GNNは、YooChoose、JData、Diginommerの3つのベンチマークデータセットにおいて、すべての最先端のセッションベース推薦モデルを上回っている。
• アイテムレベルの時間間隔、関心レベルの時間分布、最後のアイテムの時間信号のいずれかの時間的情報を除去すると、性能に顕著な低下が見られ、複数形の時間的情報統合の重要性が確認された。
• 最後のアイテムに基づく時間間隔信号は、最初のアイテムに基づくものよりも効果的であることが示され、最近の相互作用がより強い予測信号を発する可能性があることが示唆された。
• 2つの関心ノードを用いたモデルが最も高い性能を達成したが、それ以上に増やすと、重複または矛盾する関心表現が生じ、性能が低下した。
• GNNの深さを増やしても（最大5層まで）安定した性能を維持したため、従来のSRGNNのようなベースラインGNNとは異なり、過剰平滑化が顕著に発生しないことが示された。
• アブレーションスタディの結果、多関心グラフと関心に依存しない損失の両方が、明確なユーザー関心の分離と推薦精度の向上に不可欠であることが確認された。