[논문 리뷰] Hierarchical Hyperedge Embedding-based Representation Learning for Group Recommendation

Lei Guo, Hongzhi Yin외 3명|arXiv (Cornell University)|2021. 03. 24.

Recommender Systems and Techniques참고 문헌 61인용 수 11

한 줄 요약

이 논문은 희소성과 그룹 유사성을 해결하기 위해 사용자 사회망과 초그래프 기반의 그룹 표현 학습을 활용하는 계층적 하이퍼엣지 임베딩 기반 모델인 HyperGroup을 제안한다. GNN을 강화한 프레임워크를 통해 사용자-아이템 및 그룹-아이템 상호작용을 공동 최적화하여 실세계 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하며, 수렴성과 확장성 향상도 확보한다.

ABSTRACT

In this work, we study group recommendation in a particular scenario, namely Occasional Group Recommendation (OGR). Most existing works have addressed OGR by aggregating group members' personal preferences to learn the group representation. However, the representation learning for a group is most complex beyond the fusion of group member representation, as the personal preferences and group preferences may be in different spaces. In addition, the learned user representation is not accurate due to the sparsity of users' interaction data. Moreover, the group similarity in terms of common group members has been overlooked, which however has the great potential to improve the group representation learning. In this work, we focus on addressing the above challenges in group representation learning task, and devise a hierarchical hyperedge embedding-based group recommender, namely HyperGroup. Specifically, we propose to leverage the user-user interactions to alleviate the sparsity issue of user-item interactions, and design a GNN-based representation learning network to enhance the learning of individuals' preferences from their friends' preferences, which provides a solid foundation for learning groups' preferences. To exploit the group similarity to learn a more accurate group representation from highly limited group-item interactions, we connect all groups as a network of overlapping sets, and treat the task of group preference learning as embedding hyperedges in a hypergraph, where an inductive hyperedge embedding method is proposed. To further enhance the group-level preference modeling, we develop a joint training strategy to learn both user-item and group-item interactions in the same process. We conduct extensive experiments on two real-world datasets and the experimental results demonstrate the superiority of our proposed HyperGroup in comparison to the state-of-the-art baselines.

연구 동기 및 목표

• 기존 상호작용 기록이 없는 일시적인 그룹으로 구성되는 Occasional Group Recommendation (OGR)에서 발생하는 희소한 이력 기반의 그룹-아이템 상호작용 문제를 해결하기 위해.
• 겹치는 그룹 구조를 통해 개인 사용자 선호도와 그룹 수준의 일치를 모두 모델링하여 그룹 표현 학습을 향상시키기 위해.
• 사용자-사용자 사회적 상호작용을 기반으로 GNN을 활용하여 사용자 선호도의 희소성을 완화하기 위해.
• 겹치는 구성원을 통해 정의된 그룹 유사성을 초그래프에서 그룹을 하이퍼엣지로 모델링하여 보다 정확한 선호도 임베딩을 가능하게 하기 위해.
• 사용자-아이템 및 그룹-아이템 상호작용 학습을 공동으로 최적화하여 수렴 속도 향상과 성능 향상을 도모하기 위해.

제안 방법

• 친구의 선호도를 집계하여 개인 사용자 표현을 향상시키기 위해 GNN 기반 네트워크를 사용하여 사용자-아이템 상호작용의 희소성을 감소시킨다.
• 모든 그룹은 초그래프로 모델링되며, 각 그룹은 구성원을 연결하는 하이퍼엣지로 간주되어 그룹 수준의 표현을 위한 하이퍼엣지 임베딩이 가능해진다.
• 겹치는 사용자 집합으로부터 그룹 표현을 학습하기 위해 인덕티브 하이퍼엣지 임베딩 방법을 제안하여 공통 구성원을 통해 그룹 유사성을 포착한다.
• 사용자-아이템 및 그룹-아이템 상호작용 예측을 동시에 최적화하기 위해 공동 학습 전략을 개발하여 모델 효율성과 표현 품질을 향상시킨다.
• 모델는 계층적 아키텍처를 사용한다: 먼저 사회적 GNN을 통해 사용자 임베딩을 학습하고, 그 다음 하이퍼엣지 학습을 통해 그룹 임베딩을 학습하며, 엔드 투 엔드 학습을 수행한다.
• 개별 선호도 모델링(IPM) 구성 요소의 특징 초기화는 유연하며, 실험 결과 최종 성능에 미치는 영향이 미미함을 확인하였다.

실험 결과

연구 질문

• RQ1 매우 희소한 그룹-아이템 상호작용 데이터에서 그룹 표현 학습을 어떻게 향상시킬 수 있는가?
• RQ2 사용자 간 사회적 상호작용을 활용하여 개인 선호도 학습을 향상시킬 수 있으며, 이를 통해 그룹 추천 성능을 향상시킬 수 있는가?
• RQ3 겹치는 구성원을 통해 정의된 그룹 유사성을 효과적으로 모델링하여 OGR에서 그룹 표현을 향상시킬 수 있는가?
• RQ4 사용자-아이템 및 그룹-아이템 상호작용의 공동 최적화가 수렴 속도 향상과 성능 향상에 기여하는가?
• RQ5 제안된 HyperGroup 모델은 다양한 데이터 크기를 가진 대규모 데이터셋에 대해 확장 가능한가?

주요 결과

• HyperGroup는 Yelp와 Douban-Event 데이터셋에서 모두 최신 기술 수준(SOTA) 성능을 달성하여 기존 SOTA 방법을 능가하는 그룹 추천 정확도를 확보하였다.
• 모델의 수렴 속도가 매우 빠르며, Yelp에서는 30회 반복 이내, Douban-Event에서는 10회 반복 이내에 최적 성능에 도달하여 핫스터디의 합리적이고 효율적인 학습 전략임을 입증하였다.
• 학습 시간은 데이터 크기와 약선형적으로 증가하여 대규모 데이터셋에서 강력한 확장성을 보였다.
• 공동 최적화 전략은 사용자-아이템 및 그룹-아이템 상호작용 신호를 모두 활용하여 수렴 속도 향상과 성능 향상을 이끌어냈다.
• IPM 구성 요소의 특징 초기화 방식이 최종 성능에 미치는 영향이 미미하여, 모델이 초기화에 대해 매우 강건함을 입증하였다.
• 하이퍼엣지 임베딩 방법은 겹치는 구성원을 통해 그룹 유사성을 효과적으로 포착하여, 데이터가 적은 환경에서 그룹 표현 학습을 크게 향상시켰다.