[논문 리뷰] BasConv: Aggregating Heterogeneous Interactions for Basket Recommendation with Graph Convolutional Neural Network

Zhiwei Liu, Mengting Wan외 3명|arXiv (Cornell University)|2020. 01. 14.

Recommender Systems and Techniques참고 문헌 20인용 수 11

한 줄 요약

이 논문은 사용자-바구니-아이템(UBI) 그래프에서 링크 예측 작업으로서 바구니 추천을 모델링하는 그래프 컨volution 신경망 프레임워크인 BasConv를 제안한다. 사용자, 바구니, 아이템를 위한 세 가지 이질적 집합기(aggregator)를 설계함으로써 고차원의 집합성과 이질적 상호작용을 포착하여, Instacart 및 Walmart 데이터셋에서 재현율, NDCG, 히트 비율 향상으로 인해 최신 기준 성능을 달성한다.

ABSTRACT

Within-basket recommendation reduces the exploration time of users, where the user's intention of the basket matters. The intent of a shopping basket can be retrieved from both user-item collaborative filtering signals and multi-item correlations. By defining a basket entity to represent the basket intent, we can model this problem as a basket-item link prediction task in the User-Basket-Item~(UBI) graph. Previous work solves the problem by leveraging user-item interactions and item-item interactions simultaneously. However, collectivity and heterogeneity characteristics are hardly investigated before. Collectivity defines the semantics of each node which should be aggregated from both directly and indirectly connected neighbors. Heterogeneity comes from multi-type interactions as well as multi-type nodes in the UBI graph. To this end, we propose a new framework named extbf{BasConv}, which is based on the graph convolutional neural network. Our BasConv model has three types of aggregators specifically designed for three types of nodes. They collectively learn node embeddings from both neighborhood and high-order context. Additionally, the interactive layers in the aggregators can distinguish different types of interactions. Extensive experiments on two real-world datasets prove the effectiveness of BasConv. Our code is available online at https://github.com/JimLiu96/basConv.

연구 동기 및 목표

• 기존 협업 필터링에서 간과되기 쉬운 내부 바구니 추천에서 바구니 의도를 모델링하는 과제를 해결하기 위해.
• 사용자-아이템 협업 필터링 신호와 다중 아이템 상관관계를 통합된 그래프 구조에서 이질적 상호작용으로 모델링하기 위해.
• UBI 그래프 전역에서 직접 및 간접 이웃으로부터의 정보를 집계하여 고차원 집합성을 포착하기 위해.
• 노드 유형별 특성과 상호작용의 이질성을 유지하기 위해 사용자, 바구니, 아이템 노드를 위한 전용 집합기를 설계하기 위해.
• 사용자 선호도, 바구니 수준의 의미론, 아이템 동시출현 패턴을 함께 모델링하여 추천 정확도를 향상시키기 위해.

제안 방법

• 사용자, 바구니, 아이템를 노드로 하고, 사용자-바구니, 바구니-아이템, 사용자-아이템 상호작용를 간선으로 하는 사용자-바구니-아이템(UBI) 그래프를 구성한다.
• 직접 이웃과 고차원 맥락 정보를 모두 사용하여 임베딩을 학습하는 데 전용으로 설계된 세 가지 별도의 집합기(사용자, 바구니, 아이템 전용)를 도입한다.
• 각 집합기 내부에 상호작용 유형(예: 사용자-바구니 대비 바구니-아이템)을 구분하고 모델링할 수 있도록 상호작용 레이어를 활용한다.
• 다층 GCN 아키텍처를 사용하여 UBI 그래프 전역에서 정보를 반복적으로 전파하고 집계함으로써 장거리 종속성을 포착한다.
• 추천 순위를 매기기 위해 바구니 노드와 아이템 노드 간의 링크 점수를 계산하는 예측 레이어를 적용한다.
• 동일 레이어 내에서 동일 유형의 집합기 간에 가중치를 공유함으로써 일반화 능력을 향상시키고 과적합을 줄인다.

실험 결과

연구 질문

• RQ1 통합된 UBI 그래프를 통해 바구니 의도를 모델링하면 내부 바구니 추천 성능이 향상되는가?
• RQ2 간접 이웃으로부터의 정보를 포함한 고차원 집합성은 바구니 임베딩의 품질에 어떤 영향을 미치는가?
• RQ3 다른 노드 유형(사용자, 바구니, 아이템)에 대해 설계된 이질적 집합기가 다양한 상호작용 패턴을 얼마나 잘 모델링하는가?
• RQ4 GCN 레이어의 수가 다양한 수준의 의미 신호를 포착하는 데 영향을 미치며, 노이즈를 유발하지 않는가?
• RQ5 모델은 한 번의 바구니 내에서 다중 의도(예: 아침 식사 vs. 청소)를 식별하고 그에 따라 추천을 수행할 수 있는가?

주요 결과

• BasConv는 Instacart 및 Walmart 데이터셋 양쪽에서 모든 메트릭에서 최고 성능을 기록하며, BFM, Sceptre, Item2Vec와 같은 강력한 베이스라인을 압도한다.
• Instacart 데이터셋에서 BasConv는 세 개의 GCN 레이어를 사용하여 재현율 0.2092, NDCG 0.2281, 히트 비율 0.7712를 달성하며, 다른 모든 구성 및 베이스라인을 능가한다.
• Walmart 데이터셋에서 BasConv는 두 개의 GCN 레이어를 사용하여 재현율 0.0530, NDCG 0.0841, 히트 비율 0.3394를 기록하며 낮은 깊이에서 최적의 성능을 보였다.
• 베이스라인 대비 더 많은 훈련 데이터를 사용할수록 더 빠른 성능 향상을 보이며, 더 나은 데이터 효율성과 확장성을 나타낸다.
• 실세계 사례 연구에서 BasConv는 이중 의도(예: 아침 식사 및 청소)를 성공적으로 식별하고, 상위 7개 예측 내에서 7개의 참값 중 3개를 추천하였으며, 나머지에 대해서도 타당한 이유를 제시하였다.
• 제거 실험 결과, 이질적 집합기와 상호작용 레이어의 조합이 필수적임을 확인하였으며, 둘 중 하나를 제거하면 성능 저하가 발생한다.