[论文解读] SiReN: Sign-Aware Recommendation Using Graph Neural Networks

Changwon Seo, Kyeong-Joong Jeong+2 more|arXiv (Cornell University)|Aug 19, 2021

Advanced Graph Neural Networks被引用 5

一句话总结

SiReN 提出了一种符号感知的图神经网络（GNN）框架，用于推荐系统，通过构建一个分为正负边子图的有符号二分图，显式建模用户-物品交互中的正负反馈。它为每个子图分别使用 GNN 和多层感知机（MLP）编码器，通过注意力机制融合嵌入表示，并采用符号感知的贝叶斯个性化排序（BPR）损失进行优化，在多个数据集上实现了最先进性能，尤其在低交互稀疏性场景下表现突出。

ABSTRACT

In recent years, many recommender systems using network embedding (NE) such as graph neural networks (GNNs) have been extensively studied in the sense of improving recommendation accuracy. However, such attempts have focused mostly on utilizing only the information of positive user-item interactions with high ratings. Thus, there is a challenge on how to make use of low rating scores for representing users' preferences since low ratings can be still informative in designing NE-based recommender systems. In this study, we present SiReN, a new sign-aware recommender system based on GNN models. Specifically, SiReN has three key components: 1) constructing a signed bipartite graph for more precisely representing users' preferences, which is split into two edge-disjoint graphs with positive and negative edges each, 2) generating two embeddings for the partitioned graphs with positive and negative edges via a GNN model and a multi-layer perceptron (MLP), respectively, and then using an attention model to obtain the final embeddings, and 3) establishing a sign-aware Bayesian personalized ranking (BPR) loss function in the process of optimization. Through comprehensive experiments, we empirically demonstrate that SiReN consistently outperforms state-of-the-art NE-aided recommendation methods.

研究动机与目标

• 为解决现有基于 GNN 的推荐系统忽略负向反馈（低评分）的问题，尽管其仍蕴含有价值的偏好信号。
• 通过在统一的 GNN 框架中显式建模正负用户-物品交互，提升推荐准确率。
• 设计一种稳健的学习机制，利用低分反馈以缓解稀疏交互场景下的性能下降。
• 提出一种新型优化目标，明确区分图中正负邻居关系。

提出的方法

• 从用户-物品交互数据构建有符号二分图，其中边被标记为正向（高评分）或负向（低评分），并将其划分为两个边不相交的子图：Gp（正向边）和 Gn（负向边）。
• 对 Gp 使用 GNN 模型学习节点嵌入，对 Gn 使用多层感知机（MLP）学习嵌入，以捕捉正负关系中的不同结构模式。
• 通过可学习的注意力机制融合两种嵌入表示，生成平衡正负反馈信号的最终统一表征。
• 使用符号感知的贝叶斯个性化排序（BPR）损失进行模型优化，显式建模正负项目对之间的相对偏好。
• 采用加权和策略进行邻域聚合，经实证验证为基于 GNN 的推荐中最有效的策略。
• 将模型集成到协同过滤框架中，确保在训练和推理过程中保留符号感知的偏好。

实验结果

研究问题

• RQ1 在基于 GNN 的推荐系统中，除了正向反馈外，显式建模负向反馈（低评分）是否能提升推荐准确率？
• RQ2 如何有效构建并划分有符号二分图，以区分正负用户-物品交互？
• RQ3 在 GNN 框架中，编码并融合正负边子图嵌入的最优方式是什么？
• RQ4 与标准 BPR 相比，符号感知的 BPR 损失函数是否能带来更好的排序性能？
• RQ5 在不同交互稀疏程度下，特别是低数据场景中，所提方法的鲁棒性如何？

主要发现

• SiReN 在 ML-1M、Amazon-Book 和 Yelp 数据集上均持续优于全部六个基线方法，展现出卓越的推荐准确率。
• 在 Amazon-Book 数据集中，针对 [0, 20) 次交互的用户，SiReN 与第二好的方法（LightGCN）之间的性能差距在 P@5 达到 36.79%，R@5 达到 36.98%，nDCG@5 达到 36.9%。
• 该方法在最具挑战性的稀疏设置下表现出最显著的性能提升，表明其对交互稀疏性具有强鲁棒性。
• 实证表明，使用 MLP 编码负边子图（Gn）是有效且对最终性能有显著贡献的策略。
• 符号感知的 BPR 损失函数通过显式建模正负邻居关系的差异，增强了模型优化效果。
• 随着用户交互次数的增加，所有方法性能均提升，但 SiReN 在低稀疏性场景中始终保持一致且显著的领先优势。