[논문 리뷰] NISER: Normalized Item and Session Representations with Graph Neural Networks

Priyanka Gupta, D. Garg외 3명|arXiv (Cornell University)|2019. 09. 10.

Topic Modeling참고 문헌 10인용 수 26

한 줄 요약

이 논문은 항목과 세션 그래프 표현의 정규화를 통해 인기 편향을 완화하는 그래프 신경망 기반 세션 기반 추천 모델인 NISER를 제안한다. 학습된 임bedding의 크기를 제약함으로써 NISER는 장꼬리 항목과 새로 도입된 항목에서 성능을 크게 향상시키며, 세 가지 벤치마크 데이터셋에서 최신 기술을 능가한다.

ABSTRACT

The goal of session-based recommendation (SR) models is to utilize the information from past actions (e.g. item/product clicks) in a session to recommend items that a user is likely to click next. Recently it has been shown that the sequence of item interactions in a session can be modeled as graph-structured data to better account for complex item transitions. Graph neural networks (GNNs) can learn useful representations for such session-graphs, and have been shown to improve over sequential models such as recurrent neural networks [14]. However, we note that these GNN-based recommendation models suffer from popularity bias: the models are biased towards recommending popular items, and fail to recommend relevant long-tail items (less popular or less frequent items). Therefore, these models perform poorly for the less popular new items arriving daily in a practical online setting. We demonstrate that this issue is, in part, related to the magnitude or norm of the learned item and session-graph representations (embedding vectors). We propose a training procedure that mitigates this issue by using normalized representations. The models using normalized item and session-graph representations perform significantly better: i. for the less popular long-tail items in the offline setting, and ii. for the less popular newly introduced items in the online setting. Furthermore, our approach significantly improves upon existing state-of-the-art on three benchmark datasets.

연구 동기 및 목표

• 그래프 신경망 기반 세션 기반 추천 모델에서 인기 있는 항목을 덜 자주 사용되는 장꼬리 항목보다 우선시하는 인기 편향을 해결하기 위해.
• 학습된 항목 및 세션-그래프 표현의 크기(노름)가 이 편향에 기여하는 방식을 조사하기 위해.
• 이러한 표현을 정규화하는 학습 절차를 개발하여 덜 인기 있는 항목과 새로 도입된 항목에 대한 공정성과 효과성을 향상시키기 위해.
• 오프라인 평가에서 장꼬리 항목의 성능 향상을, 온라인 환경에서 새로 도입된 항목의 성능 향상을 입증하기 위해.

제안 방법

• 학습 중 항목 및 세션-그래프 임베딩 벡터의 L2 노름을 제약하는 정규화 기법을 도입한다.
• 그래프 신경망을 통해 학습된 항목 수준 및 세션 수준의 표현 모두에 정규화를 적용한다.
• 표현의 크기 균형을 유도하기 위해 학습 목표를 수정하여 고빈도 항목의 지배를 줄인다.
• 세션 상호작용을 그래프 구조 데이터로 인코딩하기 위해 그래프 컬러레이션 네트워크를 사용하며, 후속 예측을 위해 정규화된 임베딩을 활용한다.
• 학습 안정성과 표현 노름의 다양성을 촉진하기 위해 임베딩 공간에서 유사한 대비 정규화를 적용한다.
• 기존 GNN 아키텍처와의 호환성을 유지하면서 최소한의 계산 오버헤드를 유도한다.

실험 결과

연구 질문

• RQ1 학습된 항목 및 세션 표현의 노름이 GNN 기반 세션 추천에서 인기 편향에 얼마나 기여하는가?
• RQ2 이러한 표현의 크기를 정규화하는 것이 장꼬리 항목과 새로 도입된 항목의 추천 성능 향상에 기여하는가?
• RQ3 전반적인 추천 정확도와 공정성 측면에서 제안된 정규화 기법은 최신 기술 모델과 비교해 어떻게 성능을 내는가?
• RQ4 정규화 전략은 인기 있는 항목의 성능을 유지하거나 향상시키면서 동시에 덜 인기 있는 항목의 성능을 크게 향상시키는가?

주요 결과

• NISER는 오프라인 평가에서 장꼬리 항목의 추천 성능을 크게 향상시켜 인기 편향이 감소함을 입증한다.
• 온라인 환경에서 새로 도입된 항목의 성능을 뛰어나게 향상시켜 냉시작 상황에 대한 일반화 능력이 뛰어남을 나타낸다.
• 세 가지 벤치마크 데이터셋에서 기존 최신 기술 모델을 모두 능가하여 다양한 환경에서의 효과성을 확인한다.
• 항목 및 세션-그래프 표현의 정규화는 인기 있는 항목의 성능을 훼손하지 않으면서도 더 균형 잡히고 다양한 추천을 가능하게 한다.