[논문 리뷰] Bi-Preference Learning Heterogeneous Hypergraph Networks for Session-based Recommendation

Xiaokun Zhang, Bo Xu외 4명|arXiv (Cornell University)|2023. 11. 02.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 논문은 이원형 하이퍼그래프와 삼중 수준의 컨볼루션, 그리고 다중 작업 학습을 활용하여 사용자 관심사와 가격 선호도를 동시에 모델링하는 새로운 세션 기반 추천 모델인 BiPNet을 제안한다. 아이템 ID, 가격, 카테고리, 브랜드를 통합된 하이퍼그래프 구조에 통합함으로써 BiPNet은 실제 데이터셋에서 최고 수준의 성능을 기록하며 복잡한 사용자 의도를 효과적으로 포착한다.

ABSTRACT

Session-based recommendation intends to predict next purchased items based on anonymous behavior sequences. Numerous economic studies have revealed that item price is a key factor influencing user purchase decisions. Unfortunately, existing methods for session-based recommendation only aim at capturing user interest preference, while ignoring user price preference. Actually, there are primarily two challenges preventing us from accessing price preference. Firstly, the price preference is highly associated to various item features (i.e., category and brand), which asks us to mine price preference from heterogeneous information. Secondly, price preference and interest preference are interdependent and collectively determine user choice, necessitating that we jointly consider both price and interest preference for intent modeling. To handle above challenges, we propose a novel approach Bi-Preference Learning Heterogeneous Hypergraph Networks (BiPNet) for session-based recommendation. Specifically, the customized heterogeneous hypergraph networks with a triple-level convolution are devised to capture user price and interest preference from heterogeneous features of items. Besides, we develop a Bi-Preference Learning schema to explore mutual relations between price and interest preference and collectively learn these two preferences under the multi-task learning architecture. Extensive experiments on multiple public datasets confirm the superiority of BiPNet over competitive baselines. Additional research also supports the notion that the price is crucial for the task.

연구 동기 및 목표

• 구매 결정에서 핵심적인 역할을 하는 사용자 가격 선호도를 간과하는 세션 기반 추천(SBR)의 격차를 해소할 것.
• 카테고리 및 브랜드와 같은 아이템 특성과 깊이 얽힌 가격 선호도를 모델링하는 도전 과제를 극복할 것.
• 다중 작업 학습 프레임워크를 통해 상호 의존성을 포착함으로써 사용자 관심사와 가격 선호도를 동시에 학습할 것.
• 이종 정보(식별자, 가격, 카테고리, 브랜드)를 단일 하이퍼그래프 구조에 통합하는 확장 가능하고 표현력 있는 아키텍처를 개발할 것.
• 실제 데이터셋을 통한 광범위한 추론 및 분석을 통해 SBR에서 가격의 실용적 중요성을 입증할 것.

제안 방법

• 아이템 ID, 가격, 카테고리, 브랜드를 별개의 노드 유형으로 표현하고 공시 발생 및 관계 패턴을 기록하는 하이퍼엣지를 포함한 맞춤형 이질적 하이퍼그래프를 구축할 것.
• 하이퍼그래프 내에서 공시 관계, 동일 유형 간(동일 카테고리), 이질 유형 간(다른 카테고리 간) 관계를 동시에 집계하는 삼중 수준의 컨볼루션 메커니즘을 설계할 것.
• 다중 작업 학습 프레임워크 내에서 이중 선호도 학습 스키마를 구현하여 관심사 및 가격 선호도 예측을 동시에 최적화할 것.
• 가격 시퀀스에 대해 가중치를 학습할 수 있는 헤드 수를 가진 자기주의 메커니즘을 적용하여 장거리 의존성과 다양한 가격 선호 패턴을 포착할 것.
• 다중 작업 학습을 통해 가격과 관심사 선호도 간의 상호 의존성을 모델링하여 표현 품질 향상과 의도 일치도 향상을 도모할 것.
• 특성 공학(예: 유사 카테고리 통합, 희귀 브랜드 제거)을 통해 모델 복잡도를 감소시키되 성능 저하 없이 유지할 것.

실험 결과

연구 질문

• RQ1 단지 관심사만 모델링하는 모델에 비해 사용자 가격 선호도를 통합할 경우 세션 기반 추천 성능이 얼마나 향상되는가?
• RQ2 카테고리, 브랜드, 가격, ID와 같은 이종 정보를 단일 하이퍼그래프 구조에 효과적으로 통합하여 복잡한 사용자 선호도를 포착할 수 있는가?
• RQ3 다중 작업 학습을 통해 가격과 관심사 선호도를 동시에 모델링할 경우 사용자 의도 예측 정확도에 어떤 영향을 미치는가?
• RQ4 다양한 세션 길이를 가진 데이터셋에서 하이퍼파라미터 설정(예: 어텐션 헤드 수, 하이퍼그래프 구축 방식)이 모델 성능에 어떤 영향을 미치는가?
• RQ5 실제 세션 기반 환경에서 가격, 카테고리, 브랜드 중 어느 요소가 사용자 구매 결정에 더 큰 기여를 하는가?

주요 결과

• BiPNet은 세 가지 실제 데이터셋(Grocery, Cosmetics, Toys)에서 최고 성능을 기록하며, 강력한 SOTA 기준 모델들보다 리콜 및 정밀도 지표에서 모두 뛰어난 성능을 보였다.
• 세션 길이가 긴 데이터셋(예: Cosmetics)에서는 더 많은 어텐션 헤드 수(16개)가 장거리 가격 선호도를 더 잘 포착하여 성능 향상을 이끌었다.
• 세션 길이가 짧은 데이터셋(Grocery 및 Toys)에서는 어 smaller 수의 어텐션 헤드(8개)가 더 나은 성능을 보였으며, 이는 모델 용량을 세션 길이에 맞게 조정해야 한다는 점을 시사한다.
• 아블레이션 연구를 통해 아이템 브랜드 및 가격 정보 통합이 추천 정확도 향상에 뚜렷한 기여를 함을 확인하였으며, 이는 모델 설계의 타당성을 입증한다.
• 삼중 수준의 컨볼루션 메커니즘은 공시 관계, 동일 유형 간 관계, 이질 유형 간 관계를 효과적으로 포착하며, 아블레이션 결과에서 어느 수준이라도 제거할 경우 성능 저하가 발생하는 것으로 나타났다.
• 복잡도 분석 결과, 낮은 기능 기수(예: Grocery에서 ≤5개의 가격 수준)를 가진 데이터셋에서도 모델은 여전히 효율적임을 확인하였으며, 시간 복잡도는 $ O(n imes r imes (ar{N}_{id} + ar{N}_{p} + ar{N}_{c} + ar{N}_{b})) $로 제한되어 있다.