[论文解读] HGCH: A Hyperbolic Graph Convolution Network Model for Heterogeneous Collaborative Graph Recommendation

Lu Zhang, Ning Wu|arXiv (Cornell University)|Apr 6, 2023

Recommender Systems and Techniques被引用 7

一句话总结

本文提出HGCC，一种双曲图卷积网络，通过利用幂律先验进行节点初始化、采用旋转变中点方法在双曲空间中传播信息，并通过带有先验知识的门控融合整合辅助信息，从而在四个真实世界数据集上实现了最先进性能，更好地建模了双曲空间中的分层、长尾用户-物品交互结构。

ABSTRACT

User-item interaction data in collaborative filtering and graph modeling tasks often exhibit power-law characteristics, which suggest the suitability of hyperbolic space modeling. Hyperbolic Graph Convolution Neural Networks (HGCNs) are a novel technique that leverages the advantages of GCN and hyperbolic space, and then achieves remarkable results. However, existing HGCN methods have several drawbacks: they fail to fully leverage hyperbolic space properties due to arbitrary embedding initialization and imprecise tangent space aggregation; they overlook auxiliary information that could enrich the collaborative graph; and their training convergence is slow due to margin ranking loss and random negative sampling. To overcome these challenges, we propose Hyperbolic Graph Collaborative for Heterogeneous Recommendation (HGCH), an enhanced HGCN-based model for collaborative filtering that integrates diverse side information into a heterogeneous collaborative graph and improves training convergence speed. HGCH first preserves the long-tailed nature of the graph by initializing node embeddings with power law prior; then it aggregates neighbors in hyperbolic space using the gyromidpoint method for accurate computation; finally, it fuses multiple embeddings from different hyperbolic spaces by the gate fusion with prior. Moreover, HGCH employs a hyperbolic user-specific negative sampling to speed up convergence. We evaluate HGCH on four real datasets, and the results show that HGCH achieves competitive results and outperforms leading baselines, including HGCNs. Extensive ablation studies further confirm its effectiveness.

研究动机与目标

• 为解决现有双曲GCN在协作过滤中未能充分利用双曲空间曲率且忽略辅助信息的局限性。
• 利用双曲几何建模用户-物品交互及辅助信息（如共同购买、好友关系）的分层、幂律特性。
• 通过引入结构先验并实现在双曲空间中的精确信息聚合，提升节点表示学习。
• 通过可学习门控机制与先验知识融合来自不同辅助信息图的多个双曲嵌入。

提出的方法

• 基于幂律先验的初始化方法根据流行度分配节点嵌入，与双曲空间的分层结构相一致。
• 双曲信息传播采用旋转变中点方法，直接在双曲空间中聚合邻居信息，避免了切空间近似。
• 使用多个双曲子空间分别建模不同边类型（如用户-物品、物品-物品、用户-用户）的交互。
• 带有先验知识的门控融合将来自不同子空间的嵌入进行融合，其中门控机制使用结构先验初始化，以提升训练稳定性和性能。
• 通过堆叠多层网络，捕捉异构协作图中的高阶连接结构。
• 在推荐任务的最终评分预测中使用庞加莱距离。

实验结果

研究问题

• RQ1 幂律先验能否提升双曲GCN在协作过滤中的节点初始化效果？
• RQ2 通过旋转变中点方法实现的双曲空间直接聚合，是否比切空间近似具有更优的信息传播精度？
• RQ3 能否有效融合来自多种边类型的辅助信息以提升推荐性能？
• RQ4 带有先验知识的门控融合是否优于标准融合方法？

主要发现

• HGCC在四个真实世界数据集上全面超越所有基线模型，包括标准GCN与双曲GCN，展现出最先进性能。
• 消融实验表明，双曲信息传播（HGCN+HI）相比切空间传播显著提升性能。
• 基于幂律先验的初始化（HGCN+PI）在Amazon-Book数据集上带来显著性能增益，表明其在引导初始嵌入方面的有效性。
• 幂律初始化与双曲传播的结合（HGCN+PI+HI）在Amazon-Book上进一步提升性能，但在Yelp2022上未见提升，表明其表现具有数据集依赖性。
• 带有先验知识的门控融合（HGCC+）达到最佳性能，优于标准门控融合与基线模型，且在各数据集上均表现出强鲁棒性。
• 可视化结果表明，幂律初始化与辅助信息使热门物品在庞加莱圆盘原点附近聚集，符合双曲几何特性，提升了类别分离效果。