[論文レビュー] DAGNN: Demand-aware Graph Neural Networks for Session-based Recommendation

Liqi Yang, Linhan Luo+3 more|arXiv (Cornell University)|May 30, 2021

Recommender Systems and Techniques参考文献 34被引用数 5

ひとこと要約

本稿では、セッションベースのレコメンデーションのための需要に配慮したグラフニューラルネットワーク（DAGNN）を提案する。この手法は、グローバル需要行列を用いてユーザーのセッション需要をモデル化し、グラフニューラルネットワークを介して需要に配慮したアイテム埋め込みを学習する。相互情報量損失を用いた共同最適化により、実世界のデータセットで最先端の性能を達成する。

ABSTRACT

Session-based recommendations have been widely adopted for various online video and E-commerce Websites. Most existing approaches are intuitively proposed to discover underlying interests or preferences out of the anonymous session data. This apparently ignores the fact these sequential behaviors usually reflect session user's potential demand, i.e., a semantic level factor, and therefore how to estimate underlying demands from a session is challenging. To address aforementioned issue, this paper proposes a demand-aware graph neural networks (DAGNN). Particularly, a demand modeling component is designed to first extract session demand and the underlying multiple demands of each session is estimated using the global demand matrix. Then, the demand-aware graph neural network is designed to extract session demand graph to learn the demand-aware item embedddings for the later recommendations. The mutual information loss is further designed to enhance the quality of the learnt embeddings. Extensive experiments are evaluated on several real-world datasets and the proposed model achieves the SOTA model performance.

研究の動機と目的

• 従来のセッションベースのレコメンデーション手法が、順序付けられた行動における意味論的レベルのユーザー需要を無視しているという限界に対処すること。
• 各ユーザーのセッション内に存在する複数の潜在的需要を、グローバル需要行列を用いてモデル化すること。
• 需要に配慮したセッショングラフを構築することで、需要に配慮したアイテム埋め込みを学習すること。
• 学習された埋め込みとセッション需要表現の間の依存関係を最大化する相互情報量損失の目的関数を導入し、埋め込みの質を向上させること。
• 需要推定とレコメンデーション性能の両方を共同で最適化するエンドツーエンドの学習により、実世界のセッションベースのレコメンデーションベンチマークで最先端の性能を達成すること。
• 1セッションあたりの複数需要モデル化をサポートすることで、ユーザー意図の洗練された理解を可能にすること。

提案手法

• 需要モデリング部は、潜在的な意味論的要因を捉えるためにグローバル需要行列を用いてセッションレベルの需要を推定する。
• 需要に配慮したグラフニューラルネットワークは、ノードがアイテムを表し、エッジが需要に配慮した関係を符号化するグラフを構築する。
• モデルは、推定されたセッション需要に条件付けられたアイテム埋め込みを学習することで、パーソナライズ性を向上させる。
• 学習された埋め込みとセッション需要表現の間の依存関係を最大化するため、相互情報量損失が導入される。
• モデル全体がエンドツーエンドで学習され、需要推定とレコメンデーション性能の両方を共同で最適化する。
• 1セッションあたりの複数需要モデル化をサポートし、多様なユーザー意図の理解を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ユーザーのセッション行動は、どのように効果的にモデル化され、その背後にある意味論的レベルの需要を捉えることができるか？
• RQ2 需要に配慮した表現は、セッションベースのレコメンデーション性能をどの程度向上させることができるか？
• RQ3 グローバル需要行列は、セッション全体にわたる多様で潜在的なユーザー需要を効果的に捉えることができるか？
• RQ4 相互情報量損失を組み込むことで、学習されたアイテム埋め込みの質はどのように向上するか？
• RQ5 提案されたDAGNNフレームワークは、実世界のセッションベースのレコメンデーションタスクにおいて、既存の最先端手法を上回ることができるか？

主な発見

• 提案されたDAGNNは、複数の実世界のセッションベースのレコメンデーションデータセットで最先端の性能を達成した。
• グローバル需要行列の使用により、セッション内での多面的なユーザー需要のモデル化が顕著に向上した。
• 相互情報量損失部は、学習された埋め込みの識別性を向上させた。
• 需要に配慮したグラフニューラルネットワークアーキテクチャは、より正確でパーソナライズされたレコメンデーションを実現した。
• モデルは、多様なセッションベースのレコメンデーションシナリオにわたる一般化性を示した。
• 実証的結果から、意味論的需要要因を無視する従来のセッションベースのモデルに比べ、需要に配慮したモデリングが優れていることが確認された。