[논문 리뷰] Behavior-Contextualized Item Preference Modeling for Multi-Behavior Recommendation

Mingshi Yan, Fan Liu외 4명|arXiv (Cornell University)|2024. 04. 28.

Behavioral Health and InterventionsPsychology인용 수 3

한 줄 요약

이 논문은 행동-맥락화된 아이템 선호 모델링(BCIPM)을 제안한다. BCIPM은 행동-맥락화된 아이템 선호 네트워크(BIPN)를 통해 행동별로 특화된 아이템 중심의 선호도를 학습하고, 그래프 컬러션 네트워크(GCN) 모듈을 통해 이를 향상시킨다. BCIPM은 보조 행동에서 옮겨오는 노이즈를 줄이기 위해 목적 행동에만 관련된 선호도만 격리하고 전달함으로써, 네 개의 실세계 데이터셋에서 최신 기술 수준의 성능을 달성하며, HR@10 및 NDCG@10 지표에서 기존 방법들을 크게 앞서며 뛰어난 성능을 보인다.

ABSTRACT

In recommender systems, multi-behavior methods have demonstrated their effectiveness in mitigating issues like data sparsity, a common challenge in traditional single-behavior recommendation approaches. These methods typically infer user preferences from various auxiliary behaviors and apply them to the target behavior for recommendations. However, this direct transfer can introduce noise to the target behavior in recommendation, due to variations in user attention across different behaviors. To address this issue, this paper introduces a novel approach, Behavior-Contextualized Item Preference Modeling (BCIPM), for multi-behavior recommendation. Our proposed Behavior-Contextualized Item Preference Network discerns and learns users' specific item preferences within each behavior. It then considers only those preferences relevant to the target behavior for final recommendations, significantly reducing noise from auxiliary behaviors. These auxiliary behaviors are utilized solely for training the network parameters, thereby refining the learning process without compromising the accuracy of the target behavior recommendations. To further enhance the effectiveness of BCIPM, we adopt a strategy of pre-training the initial embeddings. This step is crucial for enriching the item-aware preferences, particularly in scenarios where data related to the target behavior is sparse. Comprehensive experiments conducted on four real-world datasets demonstrate BCIPM's superior performance compared to several leading state-of-the-art models, validating the robustness and efficiency of our proposed approach.

연구 동기 및 목표

• 다중 행동 추천에서 보조 행동에서 옮겨오는 선호도의 직접 전달로 인해 발생하는 노이즈 문제를 해결하기 위해.
• 각 행동에 맞는 맥락화된 방식으로 사용자 선호도를 모델링하여, 각 행동에 특화된 아이템 중심의 선호도를 포착하기 위해.
• 자신의 행동 데이터가 적은 상황에서도 초기 임베딩을 사전 훈련함으로써 아이템 중심의 선호도 학습을 풍부하게 하여 추천 정확도를 향상시키기 위해.
• GCN 모듈을 통해 행동별 선호도와 고차원 이웃 정보를 융합함으로써 사용자 표현 학습을 향상시키기 위해.
• 다양한 상호작용 패턴을 가진 실세계 데이터셋에서의 광범위한 실험을 통해 제안된 방법의 효과성을 검증하기 위해.

제안 방법

• BCIPM은 행동-맥락화된 아이템 선호 네트워크(BIPN)를 사용하여 각 행동에 특화된 아이템 중심의 선호도를 학습함으로써, 목적 행동에 사용되는 것은 오직 관련된 선호도만 보장한다.
• 모든 행동의 상호작용 데이터를 통합된 그래프로 통합하여, GCN 향상 모듈이 전체 상호작용 네트워크를 통해 고차원 사용자 이웃 선호도를 포착할 수 있도록 한다.
• 초기 임베딩을 사전 훈련하는 모듈을 적용하여 아이템 중심의 선호도를 풍부하게 하며, 특히 목적 행동 데이터가 적은 경우에 매우 중요하다.
• 최종 사용자 표현은 BIPN에서 유도된 행동별 선호도와 GCN 모듈에서 유도된 협업 신호를 융합하여 형성되며, 이 둘 간의 균형을 조절하는 가속 가능한 초매개변수 λ가 존재한다.
• 모델은 목적 행동과 보조 행동의 손실을 동시에 최적화하는 공동 최적화 목표를 사용하며, BIPN은 오직 관련된 선호도 신호만 목적 작업으로 전파되도록 보장한다.
• GCN 향상 모듈은 모든 행동을 통합한 통합 상호작용 그래프에서 작동하므로, 행동별로 분리하지 않고도 더 풍부한 협업 신호를 추출할 수 있다.

실험 결과

연구 질문

• RQ1 보조 행동과 목적 행동의 사용자 초점이 다를 경우, 직접 전달되는 선호도로 인해 목적 행동 추천에서 발생하는 노이즈를 어떻게 줄일 수 있는가?
• RQ2 행동-맥락화된 방식으로 아이템 중심의 선호도를 학습하는 것이 다중 행동 환경에서 추천 성능 향상에 얼마나 기여하는가?
• RQ3 초기 임베딩의 사전 훈련이 특히 데이터가 적은 상황에서 아이템 중심의 선호도 학습을 향상시키는 데 기여하는가?
• RQ4 다중 행동 상호작용 데이터에 대해 통합된 GCN를 적용하는 것과 각 행동에 대해 별도의 GCN를 적용하는 것 간의 성능 및 정보 유지 능력은 어떻게 비교되는가?
• RQ5 다중 행동 추천에서 행동별 선호도 학습(BIPN)과 협업 신호 추출(GCN) 간의 최적의 균형은 무엇인가?

주요 결과

• BCIPM은 네 개의 실세계 데이터셋에서 최신 기술 수준의 성능을 달성하며, 모든 벤치마크에서 HR@10 및 NDCG@10 지표에서 뚜렷한 향상을 보였다.
• Tmall 데이터셋에서 BCIPM은 HR@10 0.1414, NDCG@10 0.0741을 기록하여 다음으로 좋은 방법보다 뚜렷한 격차로 앞서며 성능을 뛰어나게 했다.
• Taobao 데이터셋에서는 HR@10 0.1292, NDCG@10 0.0716를 기록하여 다양한 사용자 상호작용 패턴에 걸쳐 강력한 일반화 능력을 보였다.
• 제거 실험 결과, 제안된 집계 전략(agg.)이 별도의 GCN 연산 방식(sep.)보다 뚜렷이 뛰어나, 통합된 그래프 학습의 이점이 있음을 확인했다.
• 파rameter 분석 결과, 더 작은 λ(즉, BIPN에 더 무게를 두는 경우)에서 더 높은 성능가 나타나, 행동-맥락화된 아이템 선호도 학습이 성능 향상의 주요 원동력임을 확인했다.
• Yelp과 ML10M와 같은 희박한 데이터셋에서도 모델의 성능이 특히 견고했으며, 사전 훈련과 행동별 선호도 학습이 데이터 부족 문제를 완화하는 데 기여했다.