[논문 리뷰] Temporal aware Multi-Interest Graph Neural Network For Session-based Recommendation

Qi Shen, Shixuan Zhu외 3명|arXiv (Cornell University)|2021. 12. 31.

Recommender Systems and Techniques인용 수 7

한 줄 요약

이 논문은 세션 기반 추천에서 다중 사용자 관심사를 분리하기 위해 항목-항목, 항목-관심사, 관심사-항목 관계를 다중 관심사 그래프를 통해 모델링하는 시간 인식 다중 관심사 그래프 신경망(TMI-GNN)을 제안한다. 항목 수준의 시간 간격과 관심사 수준의 시간 분포를 통합하여 표현을 정교화함으로써, 시간에 따라 변화하거나 겹치는 사용자 의도를 효과적으로 포착하여 세 가지 벤치마크 데이터셋에서 최신 기술(SOTA) 성능을 달성한다.

ABSTRACT

Session-based recommendation (SBR) is a challenging task, which aims at recommending next items based on anonymous interaction sequences. Despite the superior performance of existing methods for SBR, there are still several limitations: (i) Almost all existing works concentrate on single interest extraction and fail to disentangle multiple interests of user, which easily results in suboptimal representations for SBR. (ii) Furthermore, previous methods also ignore the multi-form temporal information, which is significant signal to obtain current intention for SBR. To address the limitations mentioned above, we propose a novel method, called \emph{Temporal aware Multi-Interest Graph Neural Network} (TMI-GNN) to disentangle multi-interest and yield refined intention representations with the injection of two level temporal information. Specifically, by appending multiple interest nodes, we construct a multi-interest graph for current session, and adopt the GNNs to model the item-item relation to capture adjacent item transitions, item-interest relation to disentangle the multi-interests, and interest-item relation to refine the item representation. Meanwhile, we incorporate item-level time interval signals to guide the item information propagation, and interest-level time distribution information to assist the scattering of interest information. Experiments on three benchmark datasets demonstrate that TMI-GNN outperforms other state-of-the-art methods consistently.

연구 동기 및 목표

• 기존 세션 기반 추천 방법이 단일 사용자 관심사만 모델링하여 최적의 표현을 도출하지 못하는 한계를 해결하기 위해.
• 항목 수준의 시간 간격과 관심사 수준의 시간 분포를 포함한 다중 형태의 시간 정보를 세션 모델링에 통합하여 의도 이해를 향상시키기 위해.
• 단일 세션 내에서 잠재적으로 겹치거나 변화하는 다중 사용자 관심사를 분리하여 추천 정확도와 해석 가능성 향상시키기 위해.
• 항목-항목 전이, 항목-관심사 관계, 관심사-항목 정밀화를 동시에 모델링할 수 있는 그래프 신경망 아키텍처를 설계하기 위해.

제안 방법

• 세션 내의 다양한 사용자 관심사를 표현하기 위해 다수의 관심사 노드를 추가하여 다중 관심사 그래프를 구축한다.
• 그래프 신경망을 사용하여 세 가지 유형의 관계를 모델링한다: 순차적 흐름을 위한 항목-항목 전이, 다중 관심사 분리를 위한 항목-관심사 관계, 항목 표현 정밀화를 위한 관심사-항목 관계.
• 메시지 전파 과정에 항목 수준의 시간 간격 신호를 통합하여 시간적 가까움에 기반해 인접한 항목 간 정보 전파를 이끌어내기 위해.
• 관심사 수준의 시간 분포 정보를 통합하여 각 관심사의 시간 커버리지와 가상 위치를 모델링함으로써 분리 및 관련성 추정을 향상시킨다.
• 관심사 간 간섭을 줄이고 분리 효과를 강화하기 위해 독립된 손실 함수를 사용하는 다중 작업 학습 목표를 적용한다.
• 시간 간격을 이산화하여 GNN 프레임워크에 확장 가능한 시간 신호 통합을 가능하게 하기 위해 시간 버킷화를 사용한다.

실험 결과

연구 질문

• RQ1 단일 세션 내에서 다중 사용자 관심사를 모델링하는 것이 단일 관심사 접근 방식에 비해 세션 기반 추천 성능 향상에 기여하는가?
• RQ2 항목 수준의 시간 간격 신호를 통합할 경우 세션 표현 학습 정확도에 어떤 영향을 미치는가?
• RQ3 관심사 수준의 시간 분포를 모델링할 경우 짧은 세션에서 사용자 의도의 분리 정도에 얼마나 기여하는가?
• RQ4 GNN의 깊이와 시간 버킷 설정의 차이가 모델의 강건성과 성능에 미치는 영향은 어떠한가?
• RQ5 TMI-GNN의 핵심 구성 요소(예: 관심사 노드, 독립 손실)가 전체 성능 향상에 기여하는 정도는 어떠한가?

주요 결과

• TMI-GNN은 YooChoose, JData, Diginommer의 세 가지 벤치마크 데이터셋에서 모든 최신 기술(SOTA) 세션 기반 추천 모델을 능가한다.
• 항목 수준의 간격, 관심사 수준의 분포, 마지막 항목 기반 시간 신호 중 어느 하나의 시간 정보도 제거할 경우 성능 저하가 발생함을 확인하여, 다중 형태의 시간 통합의 중요성을 입증한다.
• 마지막 항목 기반 시간 간격 신호가 첫 번째 항목 기반 신호보다 더 효과적인데, 이는 최근 상호작용이 더 강력한 예측 신호를 제공하기 때문이다.
• 두 개의 관심사 노드를 가진 모델이 가장 높은 성능을 보였으며, 이보다 더 많은 수의 관심사 노드를 사용할 경우 중복되거나 충돌하는 관심사 표현으로 인해 성능 저하가 발생한다.
• GNN 깊이가 증가함에 따라(최대 5층까지) 안정적인 성능 유지가 가능하여, 기존 SRGNN과 같은 기준 GNN보다 과도한 스무딩 현상이 감소함을 시사한다.
• 제거 실험 결과 다중 관심사 그래프와 독립 손실이 서로 다른 사용자 관심사를 효과적으로 분리하고 추천 정확도 향상에 필수적인 요소임을 확인한다.