[논문 리뷰] Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation

Junliang Yu, Hongzhi Yin외 4명|arXiv (Cornell University)|2021. 01. 16.

Recommender Systems and Techniques참고 문헌 66인용 수 33

한 줄 요약

다채널 하이퍼그래프 컨볼루션 네트워크(MHCN)를 제안하여 소셜 추천에서 고차원 사용자 관계를 모델링하고, 채널별 연결 정보를 보존하기 위한 계층적 자기지도 학습(task)을 통해 이를 강화한다.

ABSTRACT

Social relations are often used to improve recommendation quality when user-item interaction data is sparse in recommender systems. Most existing social recommendation models exploit pairwise relations to mine potential user preferences. However, real-life interactions among users are very complicated and user relations can be high-order. Hypergraph provides a natural way to model complex high-order relations, while its potentials for improving social recommendation are under-explored. In this paper, we fill this gap and propose a multi-channel hypergraph convolutional network to enhance social recommendation by leveraging high-order user relations. Technically, each channel in the network encodes a hypergraph that depicts a common high-order user relation pattern via hypergraph convolution. By aggregating the embeddings learned through multiple channels, we obtain comprehensive user representations to generate recommendation results. However, the aggregation operation might also obscure the inherent characteristics of different types of high-order connectivity information. To compensate for the aggregating loss, we innovatively integrate self-supervised learning into the training of the hypergraph convolutional network to regain the connectivity information with hierarchical mutual information maximization. The experimental results on multiple real-world datasets show that the proposed model outperforms the SOTA methods, and the ablation study verifies the effectiveness of the multi-channel setting and the self-supervised task. The implementation of our model is available via https://github.com/Coder-Yu/RecQ.

연구 동기 및 목표

• 소셜 추천에서 데이터 희소성을 해결하기 위해 고차원 사용자 관계를 활용하는 동기를 부여한다.
• 각기 다른 고차원 관계 패턴을 인코딩하는 다중 채널을 가진 하이퍼그래프 기반 모델을 개발한다.
• 채널 간 정보 및 하이퍼그래프 구조를 보존하기 위한 자기지도 학습 태스크를 통합한다.
• 다중 채널 하이퍼그래프 학습과 아이템 상호작용을 결합하여 포괄적인 사용자 표현을 생성한다.
• 실제 데이터셋에서 접근 방식의 효과를 실증적으로 입증하고 구성요소의 기여를 분석한다.

제안 방법

• 세 가지 모티프 유도 하이퍼그래프(Social, Joint, Purchase)를 구성하여 서로 다른 고차원 사용자 관계를 모델링한다.
• 각 채널이 하나의 모티프 유도 하이퍼그래프를 인코딩하도록 하고 채널 특유의 프리필터(셀프 게이팅)와 하이퍼그래프 컨볼루션을 포함하는 다채널 하이퍼그래프 컨볼루션 네트워크를 사용한다.
• 주의 집중(attention)을 통해 채널 임베딩을 집계하여 포괄적인 사용자 표현을 형성한다.
• 구매 정보를 반영하기 위해 사용자-아이템 상호작용 그래프에 단순 그래프 컨볼루션을 도입한다.
• 베이지안 개인화 순위(BPR) 손실과 정규화를 사용해 학습한다.
• 사용자, 지역 서브 하이퍼그래프, 전체 하이퍼그래프 간의 계층적 상호정보를 최대화하는 자기지도 태스크로 강화한다.

실험 결과

연구 질문

• RQ1 모티프 유도 하이퍼그래프가 소셜 추천에서 고차원 사용자 관계를 효과적으로 포착할 수 있는가?
• RQ2 다채널 하이퍼그래프 컨볼루션 아키텍처가 단일 채널이나 전통적인 GNN 기반 방법보다 더 나은 사용자 표현을 산출하는가?
• RQ3 계층적 자기지도 목표를 추가하면 채널별 연결 정보를 보존하여 추천 성능이 향상되는가?
• RQ4 다채널 설정에서 성능을 극대화하기 위해 채널 기여를 어떻게 균형 있게 조정해야 하는가?
• RQ5 그래프 컨볼루션을 통한 아이템-구매 정보 통합이 전체 추천에 어떤 영향을 미치는가?

주요 결과

• 세 가지 모티프 유도 하이퍼그래프 채널을 갖춘 제안된 MHCN이 실제 데이터 실험에서 베이스라인 방법 및 SOTA(최첨단) 방법을 능가한다.
• 자기지도형 계층적 상호정보가 채널 간의 고차원 연결 정보를 보존함으로써 사용자 표현의 질을 향상시킨다.
• 주의 집중 기반 집계가 서로 다른 채널의 기여를 효과적으로 가중하여 추천 성능을 향상시킨다.
• 보조적인 단순 그래프 컨볼루션을 통해 구매 정보를 하이퍼그래프 채널에 보완하고 결과를 향상시킨다.
• 요소별 다채널 설계와 자기지도 태스크의 효과를 입증하는 제거 실험으로 성능 향상을 확인한다.