[論文レビュー] Hierarchical Fashion Graph Network for Personalized Outfit Recommendation

Xingchen Li, Xiang Wang+4 more|arXiv (Cornell University)|May 26, 2020

Recommender Systems and Techniques参考文献 44被引用数 12

ひとこと要約

本稿では、ユーザー・オシャレコンビネーション・アイテムの3段階階層的グラフ（ユーザー・オシャレコンビネーション・アイテム）を通じて、ユーザー・オシャレコンビネーション相互作用とオシャレコンビネーション・アイテムの適合性を統合的にモデル化するグラフニューラルネットワークフレームワーク、階層的ファッショングラフネットワーク（HFGN）を提案する。レベル間でのメッセージパッシングを活用することで、HFGNはアイテムレベルの適合性を用いてユーザーおよびオシャレコンビネーション表現を精緻化し、パーソナライズドオシャレ推薦で最先端の性能を達成する。

ABSTRACT

Fashion outfit recommendation has attracted increasing attentions from online shopping services and fashion communities.Distinct from other scenarios (e.g., social networking or content sharing) which recommend a single item (e.g., a friend or picture) to a user, outfit recommendation predicts user preference on a set of well-matched fashion items.Hence, performing high-quality personalized outfit recommendation should satisfy two requirements -- 1) the nice compatibility of fashion items and 2) the consistence with user preference. However, present works focus mainly on one of the requirements and only consider either user-outfit or outfit-item relationships, thereby easily leading to suboptimal representations and limiting the performance. In this work, we unify two tasks, fashion compatibility modeling and personalized outfit recommendation. Towards this end, we develop a new framework, Hierarchical Fashion Graph Network(HFGN), to model relationships among users, items, and outfits simultaneously. In particular, we construct a hierarchical structure upon user-outfit interactions and outfit-item mappings. We then get inspirations from recent graph neural networks, and employ the embedding propagation on such hierarchical graph, so as to aggregate item information into an outfit representation, and then refine a user's representation via his/her historical outfits. Furthermore, we jointly train these two tasks to optimize these representations. To demonstrate the effectiveness of HFGN, we conduct extensive experiments on a benchmark dataset, and HFGN achieves significant improvements over the state-of-the-art compatibility matching models like NGNN and outfit recommenders like FHN.

研究の動機と目的

• 既存手法が適合性モデリングとパーソナライズド推薦を別々のタスクとして扱うというギャップを埋める。
• ユーザー、オシャレコンビネーション、ファッションアイテムの間の複雑な関係を同時にモデル化し、推薦品質を向上させる。
• ユーザー・オシャレコンビネーション相互作用とオシャレコンビネーション・アイテムマッピングの構造的関係を無視することで生じる不適切な表現を是正する。
• 過去の研究で見過ごされていた、オシャレコンビネーションレベルの意味的情報を（ID埋め込みを介して）表現学習プロセスに統合する。
• 統一された階層的グラフ構造上でエンドツーエンドの学習により、適合性マッチングとパーソナライズド推薦の両タスクを同時に最適化する。

提案手法

• ユーザー・ノード、オシャレコンビネーション・ノード、アイテム・ノードからなる3段階階層的グラフを構築し、エッジはユーザー・オシャレコンビネーション相互作用とオシャレコンビネーション・アイテムマッピングを表す。
• アイテムレベルからオシャレコンビネーションレベルへのグラフニューラルネットワーク（GNN）のメッセージパッシングを適用し、アイテム特徴をオシャレコンビネーション表現に集約する。
• 精緻化されたオシャレコンビネーション表現をオシャレコンビネーションレベルからユーザー・レベルに伝搬し、履歴のオシャレコンビネーション相互作用に基づいてユーザー埋め込みを更新する。
• オシャレコンビネーションの意味的情報を符号化するため、オシャレコンビネーションID埋め込みを統合し、視覚的特徴を超えたオシャレコンビネーション表現を強化する。
• 適合性マッチングとパーソナライズド推薦の両タスクを同時に最適化するための統合学習目的関数を用いる。
• LightGCNの知見を活用し、特徴変換および非線形活性化層を削除することでGNNアーキテクチャを簡素化し、性能向上を図る。

実験結果

リサーチクエスチョン

• RQ1 統一されたフレームワークは、別々のアプローチに比べ、ファッション適合性とパーソナライズドオシャレコンビネーション推薦をより効果的に統合的にモデル化できるか？
• RQ2 ユーザー、オシャレコンビネーション、アイテム間の階層的構造的関係を統合することで、オシャレコンビネーション推薦の表現学習がどのように向上するか？
• RQ3 オシャレコンビネーションレベルの意味的情報（ID埋め込みを介して）を追加することで、推薦性能にどのような影響を与えるか？
• RQ4 階層的グラフ構造を介したメッセージパッシングは、相互作用を独立してモデル化するのと比較して、より優れたユーザーおよびオシャレコンビネーション表現をもたらすか？
• RQ5 適合性と推薦タスクの共同最適化は、逐次的または独立した学習に比べて優れた結果をもたらすか？

主な発見

• HFGNは、ベンチマークデータセットにおいて、NGNN（Cui et al., 2019）およびFHN（Lu et al., 2019）を含む最先端モデルを大きく上回る性能を達成する。
• 適合性マッチングおよびパーソナライズドオシャレコンビネーション推薦の両タスクにおいてNGNNおよびFHNを上回り、共同学習の有効性を実証する。
• LightGCNの提案に従い、特徴変換および非線形活性化層を削除することで、HFGNの性能がさらに向上し、そのアーキテクチャの単純さが裏付けられる。
• オシャレコンビネーションID埋め込みの統合により表現学習が強化され、全体的なオシャレコンビネーションの意味的特徴のモデリングに寄与する。
• 階層的グラフ構造を介したメッセージパッシングは、ユーザー、オシャレコンビネーション、アイテム間の複雑な依存関係を効果的に捉え、ユーザーの好みモデリングの向上に寄与する。
• アブレーションスタディにより、階層的グラフ構造および共同学習の両方が、モデルの性能向上に顕著に寄与していることが確認される。