[논문 리뷰] Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations

Liwei Huang, Yutao Ma외 5명|arXiv (Cornell University)|2021. 07. 12.

Recommender Systems and Techniques인용 수 5

한 줄 요약

이 논문은 순차적 추천을 위한 위치 향상 및 시간 인지 그래프 컨볼루션 네트워크인 PTGCN을 제안한다. 이는 이원 그래프를 통해 사용자-아이템 상호작용을 모델링하며, 새로운 그래프 컨볼루션 연산을 통해 순차적 순서와 시간 동적 특성을 통합한다. 세 개의 실세계 데이터셋에서 최신 기술을 초월하는 성능을 보이며, 고차 연결성과 동적 사용자-아이템 표현 학습을 통해 순위 성능 향상을 입증한다.

ABSTRACT

Most of the existing deep learning-based sequential recommendation approaches utilize the recurrent neural network architecture or self-attention to model the sequential patterns and temporal influence among a user's historical behavior and learn the user's preference at a specific time. However, these methods have two main drawbacks. First, they focus on modeling users' dynamic states from a user-centric perspective and always neglect the dynamics of items over time. Second, most of them deal with only the first-order user-item interactions and do not consider the high-order connectivity between users and items, which has recently been proved helpful for the sequential recommendation. To address the above problems, in this article, we attempt to model user-item interactions by a bipartite graph structure and propose a new recommendation approach based on a Position-enhanced and Time-aware Graph Convolutional Network (PTGCN) for the sequential recommendation. PTGCN models the sequential patterns and temporal dynamics between user-item interactions by defining a position-enhanced and time-aware graph convolution operation and learning the dynamic representations of users and items simultaneously on the bipartite graph with a self-attention aggregator. Also, it realizes the high-order connectivity between users and items by stacking multi-layer graph convolutions. To demonstrate the effectiveness of PTGCN, we carried out a comprehensive evaluation of PTGCN on three real-world datasets of different sizes compared with a few competitive baselines. Experimental results indicate that PTGCN outperforms several state-of-the-art models in terms of two commonly-used evaluation metrics for ranking.

연구 동기 및 목표

• 기존 순차적 추천 모델이 아이템 동적 특성과 고차 사용자-아이템 연결성을 간과하는 한계를 해결하기 위해.
• 위치 및 시간 인식을 그래프 컨볼루션 네트워크에 통합하여 사용자와 아이템의 시간에 따른 동적 특성을 모델링하기 위해.
• 이원 사용자-아이템 상호작용 그래프에서 사용자와 아이템의 동적 표현을 동시에 시간에 따라 변화시키며 학습하기 위해.
• 다중층 그래프 컨볼루션을 통해 고차 연결성을 포착하여 순차적 추천 성능을 향상시키기 위해.

제안 방법

• 순차적 행동을 표현하기 위해 이원 사용자-아이템 상호작용 그래프를 구축하기 위해.
• 순차적 순서와 상호작용 간 시간 차이를 인코딩하기 위한 위치 향상 및 시간 인지 그래프 컨볼루션 연산을 설계하기 위해.
• 그래프 내 메시지 전파 과정에서 이웃 노드의 중요도를 동적으로 가중치를 부여하기 위해 자기주의 어그리게이터를 사용하기 위해.
• 사용자와 아이템 간의 고차 연결성을 포착하기 위해 다중 레이어 그래프 컨볼루션을 스택하기 위해.
• 시간에 따라 변화하고 순차적 위치에 따라 변화하는 동적 사용자 및 아이템 임베딩을 학습하기 위해.
• 위치 인코딩과 시간 인지 어휘를 통합하여 시간적 영향과 순차적 패턴을 동시에 모델링하기 위해.

실험 결과

연구 질문

• RQ1 그래프 기반 접근 방식이 추천을 위한 사용자-아이템 상호작용의 순차적 패턴과 시간 동적 특성을 효과적으로 모델링할 수 있는가?
• RQ2 그래프 컨볼루션에 위치 및 시간 정보를 통합할 경우 순차적 추천 성능에 어떤 영향을 미치는가?
• RQ3 사용자와 아이템 간의 고차 연결성을 모델링할 경우 추천 정확도 향상에 어느 정도 기여하는가?
• RQ4 다양한 크기의 데이터셋에서 PTGCN은 최신 기술 모델 대비 순위 메트릭 기준으로 어떻게 비교되는가?

주요 결과

• PTGCN는 세 개의 실세계 데이터셋에서 최신 기술 성능을 달성하며, 정밀도와 재현율 모두 기존 모델을 초월한다.
• 위치 및 시간 인식 통합은 모델이 순차적 동적 특성과 시간적 선호도를 포착하는 데 있어 뚜렷한 성능 향상을 이끌어낸다.
• 다중층 그래프 컨볼루션의 사용은 고차 사용자-아이템 연결성의 효과적인 모델링을 가능하게 하여 추천 정확도 향상에 기여한다.
• 자기주의 어그리게이터는 순서 간 사용자와 아이템 간의 동적 종속성을 효과적으로 포착한다.
• 제거 실험 결과, 위치 인코딩과 시간 인지 메커니즘이 성능 향상에 기여하는 것으로 확인된다.
• 다양한 크기의 데이터셋에서 모델이 잘 일반화됨을 보이며, 강건성과 확장성의 잠재력을 시사한다.