[논문 리뷰] Price-aware Recommendation with Graph Convolutional Networks

Yu Zheng, Chen Gao외 3명|arXiv (Cornell University)|2020. 03. 09.

Recommender Systems and Techniques참고 문헌 44인용 수 6

한 줄 요약

이 논문은 가격과 카테고리 인식 임베딩을 사용하여 사용자 선호도를 모델링하는 그래프 컬러시브 네트워크(GCN)-기반 방법인 PUP(가격 인식 사용자 선호도 모델링)을 제안한다. 사용자, 품목, 가격, 카테고리로 구성된 이질적 그래프를 구축함으로써 PUP은 품목을 통해 가격 영향을 전파하여 가격 인식 사용자 표현을 학습하며, 특히 탐색되지 않은 카테고리에 속한 냉시작 품목에 대해 추천 정확도를 크게 향상시킨다.

ABSTRACT

In recent years, much research effort on recommendation has been devoted to mining user behaviors, i.e., collaborative filtering, along with the general information which describes users or items, e.g., textual attributes, categorical demographics, product images, and so on. Price, an important factor in marketing --- which determines whether a user will make the final purchase decision on an item --- surprisingly, has received relatively little scrutiny. In this work, we aim at developing an effective method to predict user purchase intention with the focus on the price factor in recommender systems. The main difficulties are two-fold: 1) the preference and sensitivity of a user on item price are unknown, which are only implicitly reflected in the items that the user has purchased, and 2) how the item price affects a user's intention depends largely on the product category, that is, the perception and affordability of a user on item price could vary significantly across categories. Towards the first difficulty, we propose to model the transitive relationship between user-to-item and item-to-price, taking the inspiration from the recently developed Graph Convolution Networks (GCN). The key idea is to propagate the influence of price on users with items as the bridge, so as to make the learned user representations be price-aware. For the second difficulty, we further integrate item categories into the propagation progress and model the possible pairwise interactions for predicting user-item interactions. We conduct extensive experiments on two real-world datasets, demonstrating the effectiveness of our GCN-based method in learning the price-aware preference of users. Further analysis reveals that modeling the price awareness is particularly useful for predicting user preference on items of unexplored categories.

연구 동기 및 목표

• 가격 선호도가 명시적으로 기록되지 않은 바에 따라 구매 이력에서 사용자의 암묵적 가격 민감도를 추론하는 도전 과제를 해결한다.
• 가격이 사용자 구매 결정에 미치는 카테고리에 따라 다름을 모델링하며, 제품 카테고리 간 가격 수용 가능성이 다름을 인식한다.
• 가격을 협업 필터링의 첫 번째 요소로 통합하는 통합 프레임워크를 개발하며, 이를 표준 특성으로 간주하는 것 이상의 의미를 부여한다.
• 가격 인식 표현을 활용하여 탐색되지 않은 또는 냉시작 카테고리의 품목에 대해 추천 성능을 향상시킨다.
• 사용자, 품목, 가격, 카테고리 임베딩을 그래프 신경망을 통해 종단 간 학습하여 복잡한 상호작용을 포착한다.

제안 방법

• 사용자, 품목, 가격(이산화된), 카테고리의 네 가지 노드 유형을 포함하는 이질적 그래프를 구축하며, 사용자-품목, 품목-가격, 품목-카테고리 간선으로 연결한다.
• 그래프 컬러시브 네트워크(GCN)를 적용하여 품목을 통해 가격 노드에서 사용자 노드로 임베딩을 전파함으로써 사용자 선호도에 대한 간접적 가격 영향 모델링을 가능하게 한다.
• 사용자 행동에 대한 가격의 전역(가격 인식) 및 국지(카테고리 의존) 효과를 별도로 모델링하기 위해 이중 브런치 GCN 아키텍처를 도입한다.
• 메시지 전파 메커니즘에 카테고리 정보를 통합하여 가격 인식이 제품 카테고리 맥락에 따라 조정되도록 보장한다.
• 최종 사용자-품목 상호작용 예측을 위해 상호작용 기반 디코더를 사용하여 사용자, 품목, 가격, 카테고리 간의 상호작용을 모델링한다.
• 사용자 소비 예측을 최적화하기 위해 가중치를 미분 가능한 손실 함수를 사용해 전체 모델을 종단 간 엔드포인트로 훈련시킨다.

실험 결과

연구 질문

• RQ1 그래프 컬러시브 네트워크는 구매 이력에서 유도된 암묵적 사용자 가격 민감도를 효과적으로 모델링할 수 있는가?
• RQ2 카테고리 정보를 통합함으로써 사용자 선호도에서 가격 인식 모델링이 어떻게 향상되는가?
• RQ3 가격 인식 표현 학습이 추천 성능을 얼마나 향상시키는가, 특히 냉시작 품목에 대해선 어떤가?
• RQ4 가격을 핵심 결정 요소로 간주할 때, 제안된 방법이 표준 협업 필터링 및 특성 기반 모델(FM 등)을 능가할 수 있는가?
• RQ5 가격 인식 선호도를 포착할 수 있는 모델의 능력이 신규 또는 탐색되지 않은 제품 카테고리에서의 냉시작 문제를 줄이는가?

주요 결과

• PUP는 AUC 및 precision@K 지표에서 두 개의 실세계 데이터셋에서 FM 및 GCN 기반 베이스라인 모델을 크게 능가한다.
• 냉시작 품목에 대해 최고의 성능을 기록하며, 가격 인식 표현이 미지의 카테고리로 일반화하는 데 도움이 된다는 것을 입증한다.
• 제거 실험 결과, 카테고리 인식 전파와 이중 브런치 GCN 아키텍처가 최적 성능을 내기 위해 필수적임을 확인한다.
• GCN 전파를 통해 가격을 이산적이고 학습 가능한 임베딩으로 통합하면, 원시 또는 구간화된 특성로 취급하는 것보다 더 정확한 사용자 선호도 모델링이 가능하다.
• 모델은 의미 있는 가격 민감도 패턴을 포착한다: 사용자는 자신의 이전 지출 행동과 일치하는 가격에 더 영향을 받을 가능성이 높다.
• 모델은 다른 특성으로도 잘 일반화된다: 사용자 프로필과 품목 특성은 그래프의 추가 노드 유형으로 쉽게 추가할 수 있다.