[論文レビュー] MB-HGCN: A Hierarchical Graph Convolutional Network for Multi-behavior Recommendation

Mingshi Yan, Zhiyong Cheng+3 more|arXiv (Cornell University)|Jun 19, 2023

Recommender Systems and Techniques被引用数 8

ひとこと要約

MB-HGCN は、全行動の統一グラフからグローバルなユーザー/アイテム埋め込みを学習し、それを行動特異的グラフで洗練させる階層的 GCN を提案。適応的なユーザーサイド集約と線形なアイテムサイド集約を用い、マルチタスク学習で最適化する。実世界データセットでベースラインより大きな改善を達成。

ABSTRACT

Collaborative filtering-based recommender systems that rely on a single type of behavior often encounter serious sparsity issues in real-world applications, leading to unsatisfactory performance. Multi-behavior Recommendation (MBR) is a method that seeks to learn user preferences, represented as vector embeddings, from auxiliary information. By leveraging these preferences for target behavior recommendations, MBR addresses the sparsity problem and improves the accuracy of recommendations. In this paper, we propose MB-HGCN, a novel multi-behavior recommendation model that uses a hierarchical graph convolutional network to learn user and item embeddings from coarse-grained on the global level to fine-grained on the behavior-specific level. Our model learns global embeddings from a unified homogeneous graph constructed by the interactions of all behaviors, which are then used as initialized embeddings for behavior-specific embedding learning in each behavior graph. We also emphasize the distinct of the user and item behaviorspecific embeddings and design two simple-yet-effective strategies to aggregate the behavior-specific embeddings for users and items, respectively. Finally, we adopt multi-task learning for optimization. Extensive experimental results on three real-world datasets demonstrate that our model significantly outperforms the baselines, achieving a relative improvement of 73.93% and 74.21% for HR@10 and NDCG@10, respectively, on the Tmall datasets.

研究の動機と目的

• 単一行動推奨におけるデータスパースネスを、補助行動を活用して緩和する。
• 統一グラフからグローバル embeddings を学習し、その後行動特異的グラフ上で洗練させる2段階の埋め込み学習フレームワークを提案する。
• マルチ行動情報をよりうまく結合するために、ユーザーおよびアイテムに対する行動特異的集約戦略を設計する。
• 複数の行動タスクを共同最適化し、ターゲット行動の prediction を改善するためにマルチタスク学習を用いる。

提案手法

• 全行動に対して一様な同倫グラフを構築し、LightGCN によってグローバルなユーザー/アイテム埋め込みを学習する。
• 各行動について、グローバル embeddings から初期化し、行動グラフ上で行動特異的 embeddings を学習する。
• ユーザー embeddings を行動類似性に基づく重み付けされた行動特異的 embeddings の組み合わせで集約する。
• アイテム embeddings を行動ごとの相互作用数に基づく重み付き線形結合で集約する。
• グローバル embeddings と行動特異的 embeddings を要素-wise 和で結合して最終表現とする。
• 各行動を別個のタスクとして扱い、ペアワイズ BPR ロスと L2 正則化を用いてマルチタスク学習で最適化する。

実験結果

リサーチクエスチョン

• RQ1 MB-HGCN は、データセット間で単一および複数行動ベースラインと比較してどの程度性能を発揮するか？
• RQ2 MB-HGCN のどの構成要素（グローバル学習対行動特異的学習、ユーザー対アイテムの集約）が性能向上に寄与しているか？
• RQ3 GCN 層の数は MB-HGCN の性能にどう影響するか？
• RQ4 MB-HGCN はマルチ行動設定におけるコールドスタート問題を緩和できるか？
• RQ5 実務的には MB-HGCN により学習されるユーザー embeddings の性質はどのようなものか？

主な発見

• MB-HGCN は実世界データ上で最先端モデルを大きく上回り、例えば Tmall では HR@10 および NDCG@10 で相対的に大きな改善を示す。
• グローバル学習后に行動特異的学習を行う2段階の階層学習は、マルチ行動情報を効果的に活用する。
• ユーザー embedding の適応的で類似度ベースの重み付け集約は、ターゲット予測に対する補助行動の活用を改善する。
• 行動ごとの相互作用数に基づく重み付き線形結合でアイテム embeddings を集約する方法は、行動間の一貫性を反映する。
• 全行動を対象としたマルチタスク学習は、ターゲット行動の性能を向上させる共有の監督を提供する。