[論文レビュー] Knowledge-aware Coupled Graph Neural Network for Social Recommendation

Chao Huang, Huance Xu+8 more|arXiv (Cornell University)|Oct 8, 2021

Recommender Systems and Techniques参考文献 31被引用数 6

ひとこと要約

本稿では、相互情報に基づくグラフ学習フレームワークを用いて、ユーザー同士のソーシャルつながり、アイテム同士の知識的依存関係、および動的なマルチタイプのユーザー・アイテム相互作用を統合的にモデル化する、知識に配慮したカップルドグラフニューラルネットワーク（KCGN）を提案する。本手法は、高次元の協調信号を捉え、異種の相互作用ダイナミクスを保持することで、実世界のデータセットにおいて最先端の性能を達成する。

ABSTRACT

Social recommendation task aims to predict users' preferences over items with the incorporation of social connections among users, so as to alleviate the sparse issue of collaborative filtering. While many recent efforts show the effectiveness of neural network-based social recommender systems, several important challenges have not been well addressed yet: (i) The majority of models only consider users' social connections, while ignoring the inter-dependent knowledge across items; (ii) Most of existing solutions are designed for singular type of user-item interactions, making them infeasible to capture the interaction heterogeneity; (iii) The dynamic nature of user-item interactions has been less explored in many social-aware recommendation techniques. To tackle the above challenges, this work proposes a Knowledge-aware Coupled Graph Neural Network (KCGN) that jointly injects the inter-dependent knowledge across items and users into the recommendation framework. KCGN enables the high-order user- and item-wise relation encoding by exploiting the mutual information for global graph structure awareness. Additionally, we further augment KCGN with the capability of capturing dynamic multi-typed user-item interactive patterns. Experimental studies on real-world datasets show the effectiveness of our method against many strong baselines in a variety of settings. Source codes are available at: https://github.com/xhcdream/KCGN.

研究の動機と目的

• 既存のソーシャルレコメンデーションシステムがアイテム単位の知識的依存関係と相互作用の非均質性を無視するという限界を解消すること。
• 相互情報推定を用いてグローバルなグラフ構造認識を活用し、ユーザーとアイテムの間で高次元の協調信号をモデル化すること。
• 時間的ダイナミクスを組み込みつつ、視聴、お気に入り、購入などの動的でマルチタイプのユーザー・アイテム相互作用を捉えること。
• 統一的でエンド・トゥ・エンドのフレームワーク内で、ユーザー同士およびアイテム同士の関係的構造を同時に符号化すること。
• 補助知識と構造的事前知識を活用することで、疎な相互作用状況におけるレコメンデーションの正確性と頑健性を向上させること。

提案手法

• KCGNは、共有のメッセージパッシングメカニズムを用いて、ユーザー同士のグラフとアイテム同士のグラフの両方の表現を同時に学習するカップルドグラフニューラルネットワークを採用する。
• 高次元の構造的依存関係を捉えるために、相互情報に基づくニューラル推定器を導入し、グローバルなグラフ認識を強化する。
• 関係に配慮したグラフエンコーダーを設計し、視聴、お気に入り、購入などの異なるタイプのユーザー・アイテム相互作用に対して別個の埋め込みを維持するとともに、時間的ダイナミクスを組み込む。
• アイテム知識グラフ（例：カテゴリ、属性）からの補助知識を統合することで、アイテム表現を豊かにし、協調フィルタリングの性能を向上させる。
• 複数のレイヤーにわたる埋め込み伝搬により、ソーシャル構造と知識構造における高次元の近接性および同型性を捉える。
• 対照学習の目的関数を用いてエンド・トゥ・エンドに訓練し、相互作用パターンに応じてユーザーとアイテムの表現を一致させる。

実験結果

リサーチクエスチョン

• RQ1 ユーザーのソーシャルつながりとアイテムの知識的依存関係を同時にモデル化することで、疎な状況下でのレコメンデーション性能が向上するか？
• RQ2 相互情報推定を用いたカップルドGNNアーキテクチャは、ユーザーとアイテムの両方で高次元の構造的情報を効果的に保持できるか？
• RQ3 動的でマルチタイプのユーザー・アイテム相互作用をモデル化することで、表現学習とレコメンデーションの正確性がどの程度向上するか？
• RQ4 多様な実世界のデータセットにおいて、KCGNは最先端のベースラインと比較して、性能と効率の両面で優れているか？
• RQ5 グラフの深さや埋め込み次元といったアーキテクチャ的要因が、モデルの汎化性能と過学習に与える影響はいかほどか？

主な発見

• KCGNは、Epinions、Yelp、E-commerceの3つのデータセットすべてにおいて、NGCF+S、GraphRec、KGATといった強力なベースラインを上回り、HR@10スコアが最高を記録した。
• Epinionsデータセットでは、KCGNがHR@10で0.78を達成し、NGCF+S（0.72）とGraphRec（0.75）を顕著に上回った。
• 2層のグラフ構造（KCGN-2）を採用したモデルが最適な性能を示し、これ以上の深さではノイズが増加することが示唆された。
• 埋め込み次元を増加させることで性能が向上するが、一定の点を超えると過学習が生じ、最適な性能はd=32で観察された。
• KCGNは競争力ある計算効率を示し、Epinionsでは17.5秒、E-commerceでは70.2秒の推論時間を記録した。これは、KGAT（342.8秒）やEATNN（152.7秒）よりも顕著に高速であった。
• 可視化結果から、特に同型のソーシャル構造を捉える点で、NGCF+Sと比較してKCGNがより判別力があり意味的に明確なユーザーおよびアイテムの埋め込みを学習していることが示された。