[논문 리뷰] Disentangled Graph Contrastive Learning for Review-based Recommendation

Yuyang Ren, Haonan Zhang외 6명|arXiv (Cornell University)|2022. 09. 04.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 논문은 리뷰 텍스트와 사용자-아이템 상호작용 그래프를 활용하여 품질, 가격, 외관 등의 별개의 잠재 요인(예: 품질, 가격, 외관)을 통해 사용자-아이템 상호작용을 모델링하는 분리된 그래프 대비 학습 프레임워크인 DGCLR을 제안한다. 인자별 메시지 전파 기반의 표현 학습과 대비 학습을 통해 DGCLR은 추천 정확도와 해석 가능성 모두 향상시키며, 다섯 개의 벤치마크 데이터셋에서 최신 기법들을 능가한다.

ABSTRACT

User review data is helpful in alleviating the data sparsity problem in many recommender systems. In review-based recommendation methods, review data is considered as auxiliary information that can improve the quality of learned user/item or interaction representations for the user rating prediction task. However, these methods usually model user-item interactions in a holistic manner and neglect the entanglement of the latent factors behind them, e.g., price, quality, or appearance, resulting in suboptimal representations and reducing interpretability. In this paper, we propose a Disentangled Graph Contrastive Learning framework for Review-based recommendation (DGCLR), to separately model the user-item interactions based on different latent factors through the textual review data. To this end, we first model the distributions of interactions over latent factors from both semantic information in review data and structural information in user-item graph data, forming several factor graphs. Then a factorized message passing mechanism is designed to learn disentangled user/item representations on the factor graphs, which enable us to further characterize the interactions and adaptively combine the predicted ratings from multiple factors via a devised attention mechanism. Finally, we set two factor-wise contrastive learning objectives to alleviate the sparsity issue and model the user/item and interaction features pertinent to each factor more accurately. Empirical results over five benchmark datasets validate the superiority of DGCLR over the state-of-the-art methods. Further analysis is offered to interpret the learned intent factors and rating prediction in DGCLR.

연구 동기 및 목표

• 기존의 리뷰 기반 추천 방법에서 전체적인 모델링의 한계를 해결하기 위해 사용자-아이템 표현에 여러 잠재 요인(예: 가격, 품질, 외관)이 혼합되어 있는 문제를 해결한다.
• 텍스트 리뷰와 사용자-아이템 그래프 구조를 활용해 사용자-아이템 상호작용을 명시적으로 별개의 잠재 요인들로 분리함으로써 추천 성능 향상과 해석 가능성 향상을 도모한다.
• 각 요인별 세밀한 선호도를 반영하는 분리된 사용자 및 아이템 표현을 학습함으로써 더 정확하고 해석 가능한 평점 예측을 가능하게 한다.
• 데이터 희소성을 완화하기 위해 각 잠재 요인별로 대비 학습 목표를 도입하여 각 요인의 표현에 대한 분류 능력을 향상시킨다.

제안 방법

• 프레임워크는 리뷰의 의미 신호와 사용자-아이템 그래프의 구조적 신호를 모두 활용해 잠재 요인 간 상호작용의 분포를 모델링함으로써 다수의 인자 그래프를 구성한다.
• 각 인자 그래프에서 사용자 및 아이템 표현을 분리된 방식으로 학습하기 위해 인자별 메시지 전파 기반의 메커니즘을 설계한다. 이는 인자별 선호도를 포착한다.
• 다양한 인자들로부터의 예측을 적응적으로 조합하여 최종 평점 점수를 생성하기 위해 주의 기반 상호작용 모듈을 도입하며, 주의 가중치는 각 상호작용에서 지배적인 인자를 나타낸다.
• 두 가지 인자별 대비 학습 목표를 도입한다: 하나는 사용자/아이템 표현을 위한 것이고, 다른 하나는 상호작용 표현을 위한 것이다. 이를 통해 표현의 분리도와 내구성을 향상시킨다.
• 다중 작업 손실을 사용해 종합적인 학습을 수행하며, 이는 평점 예측과 대비 학습 목표를 결합한 것으로, 최적의 성능을 위해 초모수를 조정한다.

실험 결과

연구 질문

• RQ1 사용자-아이템 상호작용 내 잠재 요인(예: 품질, 가격, 외관)을 분리하면 추천 성능과 해석 가능성 향상에 기여할 수 있는가?
• RQ2 리뷰 텍스트와 사용자-아이템 그래프 구조를 동시에 활용해 사용자 평점 배경이 되는 별개의 잠재 요인을 식별하고 모델링할 수 있는가?
• RQ3 인자별 대비 학습이 학습된 표현의 분류 능력과 분리도를 향상시키는가?
• RQ4 다양한 수의 인자와 메시지 전파 레이어 수가 모델 성능과 일반화 능력에 미치는 영향은 어떠한가?

주요 결과

• DGCLR은 다섯 개의 벤치마크 데이터셋에서 최신 기법들을 능가하는 최고 성능을 기록하며 평점 예측 정확도에서 뛰어난 성능을 보였다.
• 해석 가능성 향상: 인자별 리뷰는 일관된 의미 주제(예: 수요-공급 일치, 품질, 신뢰성, 비용 효율성)를 지속적으로 반영하였다.
• 요인이 분리되지 않은 경우(예: K=1) 메시지 전파가 깊어질수록 성능 저하가 발생하지만, K≥2일 경우 성능이 크게 향상되어 분리가 고차원 메시지 전파를 효과적으로 가능하게 함을 시사한다.
• 최적의 대비 손실 가중치(λ₁, λ₂)는 [0.3, 0.7] 범위 내에 위치하며, 이 범위 내에서 초모수 조정에 대해 모델이 뛰어난 내구성을 보였다.
• 주의 메커니즘이 개별 예측의 지배적 인자를 성공적으로 식별하였으며, 높은 주의 가중치(>0.5)는 의미적으로 일관된 리뷰 내용과 일치하였다.
• 모델은 각 상호작용에서 가장 관련성이 높은 인자에 집중함으로써 정확한 평점 예측(MSE < 0.2)을 달성하였으며, 이는 정밀도와 해석 가능성의 동시 확보를 의미한다.