[논문 리뷰] Basket Recommendation with Multi-Intent Translation Graph Neural Network

Zhiwei Liu, Xiaohan Li외 4명|arXiv (Cornell University)|2020. 10. 22.

Recommender Systems and Techniques참고 문헌 38인용 수 4

한 줄 요약

이 논문은 번역 기반 엔티티 모델링과 그래프 신경망을 통해 다중 잠재 의도를 학습함으로써 바구니 추천을 모델링하는 다중의도 번역 그래프 신경망(MITGNN)을 제안한다. 이는 전이 설정과 비전이 설정 모두에서 기존 방법들을 능가하며, 바구니 간의 복잡한 다중관계적 아이템 상관관계를 포착한다.

ABSTRACT

The problem of basket recommendation~(BR) is to recommend a ranking list of items to the current basket. Existing methods solve this problem by assuming the items within the same basket are correlated by one semantic relation, thus optimizing the item embeddings. However, this assumption breaks when there exist multiple intents within a basket. For example, assuming a basket contains \{ extit{bread, cereal, yogurt, soap, detergent}\} where \{ extit{bread, cereal, yogurt}\} are correlated through the "breakfast" intent, while \{ extit{soap, detergent}\} are of "cleaning" intent, ignoring multiple relations among the items spoils the ability of the model to learn the embeddings. To resolve this issue, it is required to discover the intents within the basket. However, retrieving a multi-intent pattern is rather challenging, as intents are latent within the basket. Additionally, intents within the basket may also be correlated. Moreover, discovering a multi-intent pattern requires modeling high-order interactions, as the intents across different baskets are also correlated. To this end, we propose a new framework named as extbf{M}ulti- extbf{I}ntent extbf{T}ranslation extbf{G}raph extbf{N}eural extbf{N}etwork~({ extbf{MITGNN}}). MITGNN models $T$ intents as tail entities translated from one corresponding basket embedding via $T$ relation vectors. The relation vectors are learned through multi-head aggregators to handle user and item information. Additionally, MITGNN propagates multiple intents across our defined basket graph to learn the embeddings of users and items by aggregating neighbors. Extensive experiments on two real-world datasets prove the effectiveness of our proposed model on both transductive and inductive BR. The code is available online at https://github.com/JimLiu96/MITGNN.

연구 동기 및 목표

• 바구니 내 아이템 간의 단일 의미 관계를 가정하는 기존 바구니 추천 모델의 한계를 해결한다.
• 아이템이 여러 잠재 의도(예: 아침 식사, 청소)에 속할 수 있는 복잡한 다중의도 패턴을 모델링한다.
• 사용자가 정의한 바구니 그래프를 통해 다중 의도를 전파함으로써 바구니 간의 고차원 상호작용을 포착한다.
• 새로운 바구니에 대해 전용 집합기(aggregator)를 훈련시켜 효과적인 비전이 학습을 가능하게 하여 일반화 능력을 향상시킨다.
• 유저-아이템 상호작용과 의도 간 관계를 함께 모델링하기 위해 유형 가이드드 어텐션 메커니즘을 활용하여 추천 성능을 향상시킨다.

제안 방법

• 각 바구니를 헤드 엔티티로 모델링하고, 번역 기반으로 T개의 서로 다른 의도 벡터를 테일 엔티티로 학습: q_i = h + r_i, 여기서 r_i는 학습 가능한 관계 벡터이다.
• 다중 헤드 어텐션 메커니즘을 사용하여 유저 및 아이템 정보를 관계 벡터로 집계함으로써 다양한 의미 관계를 포착한다.
• 노드가 바구니를 나타내고, 간선이 공유되는 아이템 또는 의도를 나타내는 바구니 그래프를 구축하여 바구니 간 메시지 전달을 가능하게 한다.
• 다중 레이어 GNN 전파를 적용하여 이웃 정보를 집계하고, 사용자, 아이템, 의도에 대한 풍부한 임베딩을 학습한다.
• 유형 가이드드 어텐션을 통합하여 숨겨진 의도를 사용자 중심 및 아이템 중심의 바구니 임베딩으로 선택적으로 집계하여 추후 추천에 활용한다.
• 의도 탐지와 추천 성능 최적화를 동시에 위해 대trastive 학습 목표를 사용하여 모델을 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 단일 관계 가정 대비 바구니 내에서 다중 잠재 의도를 모델링하는 것이 바구니 추천 성능을 향상시키는가?
• RQ2 바구니 간의 고차원 상호작용은 학습된 의도 및 임베딩 표현의 품질에 어떤 영향을 미치는가?
• RQ3 바구니 추천 맥락에서 GNN 아키텍처의 최적의 의도 수와 레이어 수는 얼마인가?
• RQ4 학습 중에 볼 수 없었던 테스트 바구니에 대해 제안된 MITGNN 프레임워크가 잘 일반화되는가?
• RQ5 관계 벡터와 어텐션 메커니즘이 바구니 간 상호보완적이고 상관관계가 있는 의도를 어떻게 포착하는가?

주요 결과

• MITGNN는 실세계 데이터셋 두 개(Instacart 및 Walmart)에서 전이 및 비전이 바구니 추천 작업 모두에서 최신 기준 성능을 달성한다.
• 단일 의도 모델링(T = 1) 대비 다중 의도 모델링(T > 1)에서 성능이 크게 향상되며, Instacart에서는 T = 3, Walmart에서는 T = 4일 때 최적 성능을 기록한다.
• L = 3 레이어에서 최고 성능을 기록하며, 이는 고차원 메시지 전파가 표현 학습을 향상시키지만, L = 4일 경우 과도한 스무딩으로 인해 성능 저하가 발생함을 시사한다.
• Walmart 데이터에서 비전이 BR 성능이 전이 BR 성능보다 높은 것은 비전이 설정에서 바구니당 평균 87.5%의 진짜 아이템을 유지하기 때문에 예측이 더 쉬워지기 때문이다.
• 학습된 집합기와 다중 의도 모델링 덕분에 MITGNN은 Triple2Vec, BPR-MF, DREAM과 같은 강력한 베이스라인을 뛰어넘으며, 특히 비전이 설정에서 뛰어난 성능을 보인다.
• 유형 가이드드 어텐션 메커니즘이 사용자 및 아이템 특화의도 패턴을 효과적으로 포착하여 사용자 및 아이템 임베딩의 품질을 향상시킨다.