[논문 리뷰] Bundle Recommendation with Graph Convolutional Networks

Jianxin Chang, Chen Gao외 3명|arXiv (Cornell University)|2020. 05. 07.

Recommender Systems and Techniques참고 문헌 9인용 수 15

한 줄 요약

이 논문은 사용자-번들-아이템 상호작용을 이질적 그래프로 모델링하는 그래프 컨volution 네트워크인 BGCN을 제안한다. 아이템 수준 및 번들 수준의 전파와 하드 음성 샘플링을 활용하여, 두 개의 실세계 데이터셋에서 기존 방법들보다 10.77%에서 23.18% 향상된 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Bundle recommendation aims to recommend a bundle of items for a user to consume as a whole. Existing solutions integrate user-item interaction modeling into bundle recommendation by sharing model parameters or learning in a multi-task manner, which cannot explicitly model the affiliation between items and bundles, and fail to explore the decision-making when a user chooses bundles. In this work, we propose a graph neural network model named BGCN (short for extit{ extBF{B}undle extBF{G}raph extBF{C}onvolutional extBF{N}etwork}) for bundle recommendation. BGCN unifies user-item interaction, user-bundle interaction and bundle-item affiliation into a heterogeneous graph. With item nodes as the bridge, graph convolutional propagation between user and bundle nodes makes the learned representations capture the item level semantics. Through training based on hard-negative sampler, the user's fine-grained preferences for similar bundles are further distinguished. Empirical results on two real-world datasets demonstrate the strong performance gains of BGCN, which outperforms the state-of-the-art baselines by 10.77\% to 23.18\%.

연구 동기 및 목표

• 기존 번들 추천 방법들이 사용자-아이템-번들 관계와 의사결정 과정을 명시적으로 모델링하지 못하는 데서 비롯되는 한계를 해결한다.
• 사용자-번들 상호작용의 데이터 희소성 문제를 아이템 수준 및 번들 수준의 신호 전파를 통해 해결한다.
• 유사한 번들 간의 미세한 차이를 식별하기 위해 하드 음성 샘플링을 통한 사용자 의사결정 모델링을 통해 정교한 차별화를 향상시킨다.
• 사용자, 아이템, 번들을 하나의 이질적 그래프로 통합함으로써 아이템 인식 능력을 번들 추천에 통합한다.
• 메타패스 모델링을 통해 사용자-아이템 관계와 번들-번들 관계를 모두 캡처함으로써 추천 정확도를 향상시킨다.

제안 방법

• 사용자, 아이템, 번들을 통합한 이질적 그래프를 구축하며, 간선은 사용자-아이템, 사용자-번들, 번들-아이템 상호작용을 나타낸다.
• 이중 수준의 그래프 컨볼루션 전파를 적용한다: 사용자와 아이템 간의 아이템 수준 전파, 그리고 아이템을 다리로 사용하는 사용자와 번들 간의 번들 수준 전파.
• 중복된 아이템을 기반으로 번들 간 유사성을 모델링하는 번들-번들(B2B) 메타패스를 도입하며, 중첩 정도를 가중치로 사용한 전파를 수행한다.
• 학습 중에 아이템 수준과 번들 수준에서 하드 음성 샘플링을 활용하여 미세한 선호도를 구분하고 모델 일반화 능력을 향상시킨다.
• 사용자-번들 상호작용 예측과 아이템 수준 표현 학습을 동시에 최적화하는 다중 작업 학습 목표를 사용한다.
• 그래프 신경망을 활용하여 사용자, 아이템, 번들 간의 고차원 연결성과 복잡한 구조적 의존성을 캡처한다.

실험 결과

연구 질문

• RQ1 통합된 이질적 그래프 모델이 번들 추천에서 사용자, 아이템, 번들 간의 복잡한 관계를 효과적으로 캡처할 수 있는가?
• RQ2 아이템 수준과 번들 수준의 다중 수준 그래프 전파가 단일 수준 또는 전파 없이 비교해 복잡한 표현 학습을 향상시키는가?
• RQ3 아이템 중첩 기반의 번들-번들(B2B) 관계를 통합할 경우 추천 성능 향상 정도는 어느 정도인가?
• RQ4 하드 음성 샘플링이 유사한 번들 간 미세한 차이를 식별하고 사용자 선호도 모델링을 향상시키는 데 얼마나 효과적인가?
• RQ5 제안된 모델이 특히 상호작용 수가 적은 사용자에게서 발생하는 데이터 희소성 문제를 어느 정도 완화할 수 있는가?

주요 결과

• BGCN은 두 실세계 데이터셋에서 Recall@40와 NDCG@40에서 최신 기술 수준의 기준선보다 10.77%에서 23.18% 향상되어 강력한 성능 향상을 입증했다.
• 넷플릭스 및 유슈 데이터셋에서 이중 수준 전파(아이템 및 번들 수준)는 단일 수준 전파 대비 각각 9.36%–11.57% 및 2.75%–11.39% 향상된 성능을 기록했다.
• 중첩 기반 가중치를 사용한 B2B 전파를 통합함으로써 두 데이터셋에서 각각 5.84%–6.74% 및 1.79%–9.02% 향상된 성능을 기록하여 번들 유사성 캡처의 효과성을 입증했다.
• 아이템 및 번들 수준에서 하드 음성 샘플링을 적용한 결과가 랜덤 샘플링 대비 Recall@40에서 9.26%–10.64% 향상되고 NDCG@40에서 3.95%–11.78% 향상되어 최고의 성능을 기록했다.
• 상호작용 수가 0~3개에 불과한 사용자들에 대해서도 BGCN은 강력한 성능(Recall@40: 0.069, NDCG@40: 0.023)을 유지하며, 최고의 베이스라인인 NGCF-TG보다 각각 30.19% 및 27.78% 높은 성능을 기록하여 데이터 희소성에 대한 강건성을 입증했다.