[논문 리뷰] Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation

Xin Xia, Hongzhi Yin외 4명|arXiv (Cornell University)|2020. 12. 12.

Recommender Systems and Techniques참고 문헌 43인용 수 34

한 줄 요약

두 채널 하이퍼그래프 컨볼루션 네트워크(DHCN)를 세션 기반 추천에 도입하고, 라인 그래프 채널과 두 뷰 간의 정보 최대화로 자체 지도 학습(Self-supervised learning)을 강화한다.

ABSTRACT

Session-based recommendation (SBR) focuses on next-item prediction at a certain time point. As user profiles are generally not available in this scenario, capturing the user intent lying in the item transitions plays a pivotal role. Recent graph neural networks (GNNs) based SBR methods regard the item transitions as pairwise relations, which neglect the complex high-order information among items. Hypergraph provides a natural way to capture beyond-pairwise relations, while its potential for SBR has remained unexplored. In this paper, we fill this gap by modeling session-based data as a hypergraph and then propose a hypergraph convolutional network to improve SBR. Moreover, to enhance hypergraph modeling, we devise another graph convolutional network which is based on the line graph of the hypergraph and then integrate self-supervised learning into the training of the networks by maximizing mutual information between the session representations learned via the two networks, serving as an auxiliary task to improve the recommendation task. Since the two types of networks both are based on hypergraph, which can be seen as two channels for hypergraph modeling, we name our model extbf{DHCN} (Dual Channel Hypergraph Convolutional Networks). Extensive experiments on three benchmark datasets demonstrate the superiority of our model over the SOTA methods, and the results validate the effectiveness of hypergraph modeling and self-supervised task. The implementation of our model is available at https://github.com/xiaxin1998/DHCN

연구 동기 및 목표

• 사용자 프로필이 없을 때 세션에서 쌍(pairwise) 아이템 상관관계를 넘어선 포착의 필요성을 동기화.
• 세션 데이터를 아이템 간의 고차 상호작용을 인코딩하기 위해 하이퍼그래프로 모델링.
• 표현 학습을 개선하기 위한 하이퍼그래프 채널과 라인 그래프 채널을 갖는 이중 채널 아키텍처를 제안.
• 두 뷰 간의 상호 정보를 최대화하여 보조 자기지도 학습을 통합하고 추천 성능을 높인다.

제안 방법

• 각 세션이 그 세션의 모든 아이템을 연결하는 하이퍼에지를 형성하는 하이퍼그래프를 구성.
• 노드-하이퍼에지-노드 정제를 통해 아이템 임베딩을 얻기 위해 하이퍼그래프 컨볼루션을 적용.
• 전체 시퀀스 모델링 없이 시간 정보를 주입하기 위해 위치 임베딩을 도입.
• 하이퍼그래프의 정보를 교차 세션으로 포착하기 위해 하이퍼그래프의 선 그래프를 구성하고 세션 수준 표현에서 선 그래프 컨볼루션을 수행.
• 하이퍼그래프 채널과 선 그래프 채널 표현 간의 상호 정보를 최대화하는 자기지도 대조 목표를 도입.
• 주된 추천 손실과 보조 자기지도 손실(L = L_r + beta * L_s)로 함께 학습.

실험 결과

연구 질문

• RQ1 하이퍼그래프 모델링이 고차 아이템 관계를 쌍 기반 그래프보다 더 잘 포착하는가?
• RQ2 듀얼 채널(하이퍼그래프와 선 그래프) 아키텍처가 세션 기반 추천 성능을 개선하는가?
• RQ3 두 뷰 간의 자기지도 대조 학습을 도입하면 표현과 정확도가 추가로 향상되는가?

주요 결과

방법	Tmall P@10	Tmall M@10	Tmall P@20	Tmall M@20	Nowplaying P@10	Nowplaying M@10	Nowplaying P@20	Nowplaying M@20	Diginetica P@10	Diginetica M@10	Diginetica P@20	Diginetica M@20
Item-KNN	6.65	3.11	9.15	3.31	10.96	4.55	15.94	4.91	25.07	10.77	35.75	11.57
FPMC	13.10	7.12	16.06	7.32	5.28	2.68	7.36	2.82	15.43	6.20	26.53	6.95
GRU4REC	9.47	5.78	10.93	5.89	6.74	4.40	7.92	4.48	17.93	7.33	29.45	8.33
NARM	19.17	10.42	23.30	10.70	13.60	6.62	18.59	6.93	35.44	15.13	49.70	16.17
STAMP	22.63	13.12	26.47	13.36	13.22	6.57	17.66	6.88	33.98	14.26	45.64	14.32
SR-GNN	23.41	13.45	27.57	13.72	14.17	7.15	18.87	7.47	36.86	15.52	50.73	17.59
FGNN	20.67	10.07	25.24	10.39	13.89	6.80	18.78	7.15	37.72	15.95	50.58	16.84
DHCN	25.14*	13.91*	30.43*	14.26*	17.22	7.78	23.03	8.18	39.87	17.53	53.18	18.44
S2-DHCN	26.22	14.60	31.42	15.05	17.35	7.87	23.50	8.18	40.21	17.59	53.66	18.51

• DHCN은 세 가지 벤치마크 데이터셋에서 P@10, M@10, P@20, MRR@20 지표로 최첨단 baselines를 능가한다.
• 자기지도 버전(S2-DHCN)은 DHCN에 비해 추가 이점을 보이며 보조 태스크의 효과를 나타낸다.
• 하이퍼그래프 모델링은 쌍을 넘는 아이템 관계를 제공하고, 선 그래프 채널은 세션 간 정보를 포착해 아이템 수준 모델링을 보완한다.
• 특성 연구는 위치 임베딩과 소프트 어텐션의 기여를 보여주며 데이터셋에 따라 효과가 다르다.
• 자기지도 학습은 특히 짧은 세션에서 데이터 희소성이 더 큰 경우에 유익하다.