[論文レビュー] BasConv: Aggregating Heterogeneous Interactions for Basket Recommendation with Graph Convolutional Neural Network
本稿では、ユーザ-バスケット-アイテム（UBI）グラフ上でリンク予測タスクとしてバスケット推薦をモデル化するグラフ畳み込みニューラルネットワークフレームワーク、BasConvを提案する。ユーザ、バスケット、アイテムの3種類の異種アグリゲーターを設計することで、高次集団性と異種相互作用を捉え、InstacartおよびWalmartのデータセットにおいて、再現率、NDCG、ヒットレートの面で顕著な向上を達成し、最先端の性能を実現した。
Within-basket recommendation reduces the exploration time of users, where the user's intention of the basket matters. The intent of a shopping basket can be retrieved from both user-item collaborative filtering signals and multi-item correlations. By defining a basket entity to represent the basket intent, we can model this problem as a basket-item link prediction task in the User-Basket-Item~(UBI) graph. Previous work solves the problem by leveraging user-item interactions and item-item interactions simultaneously. However, collectivity and heterogeneity characteristics are hardly investigated before. Collectivity defines the semantics of each node which should be aggregated from both directly and indirectly connected neighbors. Heterogeneity comes from multi-type interactions as well as multi-type nodes in the UBI graph. To this end, we propose a new framework named extbf{BasConv}, which is based on the graph convolutional neural network. Our BasConv model has three types of aggregators specifically designed for three types of nodes. They collectively learn node embeddings from both neighborhood and high-order context. Additionally, the interactive layers in the aggregators can distinguish different types of interactions. Extensive experiments on two real-world datasets prove the effectiveness of BasConv. Our code is available online at https://github.com/JimLiu96/basConv.
研究の動機と目的
- 従来の協調フィルタリングではしばしば無視されがちな、バスケット内推薦におけるバスケットの意図をモデル化する課題に取り組む。
- 統一されたグラフ構造内で、ユーザ-アイテム協調フィルタリング信号と複数アイテムの相関関係を、異種相互作用として統合的にモデル化する。
- UBIグラフ全体にわたる直接的および間接的な近傍ノードからの情報を集約することで、高次集団性を捉える。
- ノードタイプ固有の意味論と相互作用の異種性を保持するため、ユーザ、バスケット、アイテムのノードに特化したアグリゲーターを設計する。
- ユーザの好み、バスケットレベルの意味論、アイテムの共起パターンを統合的にモデル化することで、推薦精度を向上させる。
提案手法
- ノードがユーザ、バスケット、アイテムを表し、エッジがユーザ-バスケット、バスケット-アイテム、ユーザ-アイテムの相互作用を表すユーザ-バスケット-アイテム（UBI）グラフを構築する。
- 直接的な近傍と高次的文脈的情報の両方を用いて埋め込みを学習する、ユーザ、バスケット、アイテム固有の3種類の異なるアグリゲーターを導入する。
- 各アグリゲーター内にインタラクティブレイヤーを採用し、異なる種類の相互作用（例：ユーザ-バスケット対 バスケット-アイテム）を区別してモデル化する。
- 多層GCNアーキテクチャを用いて、UBIグラフ全体にわたって情報を再帰的に伝搬・集約し、長距離依存性を捉える。
- 推薦順位付けのため、バスケットノードとアイテムノード間のリンクスコアを計算する予測レイヤーを適用する。
- 同じ層内での同種ノードアグリゲーター間でパラメータを共有することで、一般化性能を向上させるとともに過学習を軽減する。
実験結果
リサーチクエスチョン
- RQ1統一されたUBIグラフを用いてバスケットの意図をモデル化することで、バスケット内推薦のパフォーマンスが向上するか？
- RQ2間接的近傍からの情報である高次集団性は、バスケット埋め込みの品質にどのように影響するか？
- RQ3ユーザ、バスケット、アイテムの異なるノードタイプに特化した異種アグリゲーターは、多様な相互作用パターンのモデル化にどの程度寄与するか？
- RQ4GCN層の数を変化させた場合、ノイズを導入せずに関連する意味的信号を捉える能力にどのように影響するか？
- RQ5モデルは1つのバスケット内で複数の意図（例：朝食対掃除）を特定し、それに応じて適切に推薦できるか？
主な発見
- BasConvは、InstacartおよびWalmartの両データセットで、BFM、Sceptre、Item2Vecといった強力なベースラインを上回る、全指標で最高のパフォーマンスを達成した。
- Instacartデータセットでは、3層のGCNを用いたBasConvが再現率0.2092、NDCG0.2281、ヒットレート0.7712を達成し、他のすべての構成およびベースラインを上回った。
- Walmartデータセットでは、2層のGCNを用いたBasConvが再現率0.0530、NDCG0.0841、ヒットレート0.3394を達成し、低層数での最適なパフォーマンスを示した。
- ベースラインと比較して、訓練データ量の増加に伴う性能向上が著しく速く、より高いデータ効率性とスケーラビリティを示した。
- 実世界の事例研究では、BasConvは二重の意図（例：朝食と掃除）を正しく特定し、トップ7候補内に7つの正例のうち3つを正しく推薦した。残りのアイテムに対しても妥当な根拠を提示した。
- アブレーションスタディの結果、異種アグリゲーターとインタラクティブレイヤーの組み合わせが不可欠であることが確認され、いずれかを削除すると性能が低下した。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。