[논문 리뷰] Inhomogeneous Social Recommendation with Hypergraph Convolutional Networks

Zirui Zhu, Chen Gao외 4명|arXiv (Cornell University)|2021. 11. 05.

Recommender Systems and Techniques참고 문헌 47인용 수 9

한 줄 요약

이 논문은 초그래프 컨volution 레이어를 통해 이종성 있는 사회적 영향을 모델링하는 새로운 사회적 추천 모델인 SHGCN을 제안한다. 사용자-아이템-사용자 삼중항을 초간선으로 표현하여 세밀하고 아이템 기반의 사회적 선호도를 포착한다. 이 방법은 추천 성능을 크게 향상시키고 데이터 희소성 문제를 완화하며, 두 개의 실세계 데이터셋에서 기존 모델들을 능가한다.

ABSTRACT

Incorporating social relations into the recommendation system, i.e. social recommendation, has been widely studied in academic and industrial communities. While many promising results have been achieved, existing methods mostly assume that the social relations can be homogeneously applied to all the items, which is not practical for users' actually diverse preferences. In this paper, we argue that the effect of the social relations should be inhomogeneous, that is, two socially-related users may only share the same preference on some specific items, while for the other products, their preferences can be inconsistent or even contradictory. Inspired by this idea, we build a novel social recommendation model, where the traditional pair-wise "user-user'' relation is extended to the triple relation of "user-item-user''. To well handle such high-order relations, we base our framework on the hypergraph. More specifically, each hyperedge connects a user-user-item triplet, representing that the two users share similar preferences on the item. We develop a Social HyperGraph Convolutional Network (short for SHGCN) to learn from the complex triplet social relations. With the hypergraph convolutional networks, the social relations can be modeled in a more fine-grained manner, which more accurately depicts real users' preferences, and benefits the recommendation performance. Extensive experiments on two real-world datasets demonstrate our model's effectiveness. Studies on data sparsity and hyper-parameter studies further validate our model's rationality. Our codes and dataset are available at https://github.com/ziruizhu/SHGCN.

연구 동기 및 목표

• 모든 아이템에 대해 동일한 사회적 영향을 가정하는 기존 사회적 추천 모델의 한계를 해결하기 위해.
• 친구들이 특정 아이템에서만 선호도를 공유할 수 있는 세밀하고 아이템 기반의 사회적 영향을 모델링하기 위해.
• 쌍방의 사용자-사용자 관계보다 더 효과적으로 삼중 사회적 관계(사용자-아이템-사용자)를 포착하는 프레임워크를 개발하기 위해.
• 초그래프 표현을 통해 복잡한 고차원 사회적 상호작용을 활용하여 추천 성능을 향상시키기 위해.
• 모델의 데이터 희소성 및 하이퍼파rameter 설정에 대한 강건성을 검증하기 위해.

제안 방법

• 모든 초간선이 두 사용자와 한 아이템을 연결하는 초그래프를 구축하여, 해당 두 사용자가 그 아이템에서 유사한 선호도를 가진다는 것을 표현한다.
• 각 초간선은 특정 아이템에 대해 고유한 이종성 있는 영향을 반영하는 삼중관계를 인코딩한다.
• 초그래프 구조를 기반으로 메시지 전파 및 임베딩 집합을 수행하기 위해 사회적 초그래프 컨volution 네트워크(SHGCN)를 설계한다.
• 메시지 전파 과정에서 다양한 초간선의 기여도를 가중치로 설정하기 위해 학습 가능한 어텐션 메커니즘을 사용한다.
• 초간선을 따라 임베딩을 전파하여 사용자 및 아이템 표현을 그들의 사회적 및 상호작용 맥락에 기반해 업데이트한다.
• 최종 사용자 및 아이템 임베딩은 내적 스코어링을 통해 후속 추천 작업에 활용된다.

실험 결과

연구 질문

• RQ1 사용자-아이템-사용자 삼중항을 통해 이종성 있는 사회적 영향을 모델링하는 것이 동종성 사회 모델 대비 추천 성능 향상에 기여하는가?
• RQ2 초그래프 기반 프레임워크는 추천 시스템에서 복잡하고 고차원적인 사회적 관계를 얼마나 효과적으로 표현하는가?
• RQ3 제안된 SHGCN 모델은 사회적 추천에서 데이터 희소성 문제를 줄이는가?
• RQ4 모델 성능은 하이퍼파rameter 설정에 얼마나 민감한가?
• RQ5 그룹 기반 또는 공유 상호작용(예: 그룹 쇼핑)이 포함된 실세계 시나리오로 일반화 가능한가?

주요 결과

• SHGCN는 두 개의 실세계 데이터셋에서 최신 기술 수준의 성능을 달성하여 기존 사회적 추천 모델보다 추천 정확도에서 뛰어난 성능을 보였다.
• 모델은 데이터 희소성 문제를 크게 완화하여 상호작용 데이터가 제한된 상황에서도 강건함을 입증했다.
• 제거 실험 결과, 삼중관계(사용자-아이템-사용자)를 모델링하는 것이 단순한 쌍방 사용자-사용자 관계보다 성능 향상에 더 큰 기여를 한다는 것이 확인되었다.
• 하이퍼파rameter 연구 결과, SHGCN는 하이퍼파rameter 설정에 과도하게 민감하지 않아 강력한 일반화 능력을 지닌 것으로 나타났다.
• 모델은 사회적 유대관계가 특정 아이템에서만 선호도에 영향을 주는 세밀한 사회적 영향을 효과적으로 포착한다.